Predicting of glass transition temperature of tellurite oxide glasses using Support vector regression

Abstract

Cette étude vise à prédire la température de transition vitreuse (Tg) en utilisant la régression par vecteurs de support (SVR) et l'analyse en composantes principales (PCA) pour la conception des matériaux présentant des propriétés spécifiques. Les données ont été collectées à partir de la base de données exhaustive SciGlass, qui contient des compositions de verre et leurs propriétés associées. L'algorithme SVR a été utilisé pour la prédiction de Tg, et la fonction de noyau RBF a démontré une performance supérieure par rapport aux autres fonctions de noyau en termes de précision prédictive et d'adéquation pour la prédiction de Tg dans les verres à base d'oxyde tellurique. Cette étude offre un aperçu précieux sur la conception et le développement des matériaux en verre, et propose une approche basée sur les données qui peut accélérer le processus de conception des matériaux et réduire les essais et erreurs. Les recherches futures peuvent explorer différents modèles et techniques d'apprentissage automatique, élargir l'ensemble de données et incorporer des caractéristiques basées sur la physique pour améliorer les capacités prédictives

This study aims to predict the glass transition temperature (Tg) using Support Vector Regression (SVR) and sparse Principal Component Analysis (PCA) for designing and customizing materials with specific properties. The data was collected using the comprehensive SciGlass database, which contains glass compositions and their associated properties. SVR algorithm was utilized for Tg prediction, and the RBF kernel function demonstrated superior performance compared to other kernel functions in terms of predictive accuracy and goodness-of-fit for Tg prediction in tellurate oxide glasses. The study provides valuable insights into the design and development of glass materials and offers a data-driven approach that can expedite the materials design process and reduce trial-and-error efforts. Future research can explore different machine learning models and techniques, expand the dataset, and incorporate physics-based features to enhance predictive capabilities.