SVRو إنحدار متجه الداعم SVMتصنيف الهيدريدات والتنبؤ بطاقة تشكلها بإستخدام آلة المتجهات الداعمة الداعم

Abstract

Avec la poursuite de l'hydrogène vert, les systèmes d'énergie renouvelable hybrides à base d'hydrogène sont devenus un axe de développement de l'industrie de l'hydrogène, car les hydrures métalliques sont des matériaux candidats pour le stockage de l'hydrogène et, en adaptant leur composition chimique et leur structure, permettent de manière appropriée et à un niveau élevé de stockage d'hydrogène sous une certaine température et pression. Ainsi, il existe un besoin d'une méthode rapide pour sélectionner les alliages de stockage d'hydrogène les plus efficaces en fonction des propriétés souhaitées. Par conséquent, la possibilité d'utiliser l'apprentissage automatique de manière efficace et efficace semble déterminer la classe de matériaux en fonction des propriétés souhaitées de tout hydrure métallique. Dans ce travail, nous avons utilisé SVM pour classer les hydrures et nous avons constaté que les performances du noyau de la fonction linéaire atteignaient la précision de classification la plus élevée et la valeur la plus élevée de la mesure de rappel, tandis que pour prédire l'énergie de formation des hydrures, nous avons utilisé le support méthode de régression vectorielle où nous avons obtenu la valeur la plus élevée du coefficient de détermination R2 et la valeur la plus faible Dans la mesure de l'erreur quadratique moyenne (MSE) en utilisant le noyau de la fonction linéaire. Cela signifie que le modèle utilisé a une grande précision dans la classification des hydrures et une grande capacité à prédire la valeur énergétique de la formation des hydrures.

مع السعي وراء الهيدروجين الاخضر اصبحت أنظمة الطاقة المتجددة الهجينة القائمة على الهيدروجين محورا لتطوير صناعة الهيدروجين، حيث أن هيدريدات المعادن مواد مرشحة لتخزين الهيدروجين وبتكييف تركيبها الكيميائي وبنيتها تسمح بشكل مناسب وبمستوى عالي من تخزين الهيدروجين تحت درجة حرارة والضغط معينين. وبالتالي هناك حاجة الى طريقة سريعة لتحديد سبائك تخزين الهيدروجين الاكثر كفاءة بناء على الخصائص المرغوبة, لهذا ظهرت إمكانية استخدام التعلم الآلي بكفاءة وفعالية لتحديد فئة المواد بناء على الخصائص المرغوبة لأي هيدريد معدني. في هذا العمل قمنا بإستعمال SVM من أجل تصنيف الهيدريدات ووجدنا أن أداء نواة الدالة الخطية Linear حققت أعلى دقة للتصنيف وأعلى قيمة لمقياس الاسترجاعRecall، أما من أجل التنبؤ بطاقة تشكل الهيدريدات فقد استعملنا طريقة انحدار متجه الداعم حيث تحصلنا على أعلى قيمة لمعامل التحديد R2 وأقل قيمة لمتوسط الخطأ التربيعي MSE بإستخدام نواة الدالة الخطية. مما يعني أن النموذج المستعمل له دقة عالية في تصنيف الهيدريدات وقدرة كبيرة للتنبؤ بقيمة طاقة تشكل الهيدريدات.

With the pursuit of green hydrogen, hydrogen-based hybrid renewable energy systems have become a focus for the development of the hydrogen industry, as metal hydrides are candidate materials for hydrogen storage, and by adapting their chemical composition and structure allows appropriate and high level of hydrogen storage under a certain temperature and pressure. Thus, there is a need for a rapid method to select the most efficient hydrogen storage alloys based on the desired properties. Therefore, the possibility of using machine learning efficiently and effectively appears to determine the class of materials based on the desired properties of any metal hydrides. In this work, we used SVM to classify the hydrides and we found that the performance of the linear function kernel achieved the highest classification accuracy and the highest value of the Recall scale, while in order to predict the formation energy of the hydrides we used the support vector regression method where we got the highest value of the coefficient of determination R2 and the lowest value In the mean squared error (MSE) measure using the linear function kernel. This means that the used model has a high accuracy in classifying hydrides and a great ability to predict the energy value of hydride formation.