Resumen

Utilizando el método Stochastic Gradient Boosting, se construyen diez SMO-SVR en un modelo de predicción fuerte (modelo SGBS) que es eficiente en la predicción de la intensidad del campo de ruptura. Adoptando el método de polimerización in situ, se preparan treinta y dos muestras de películas nanocompuestas con diferentes porcentajes de composición, componentes y espesores. A continuación, se comprueba la intensidad del campo de ruptura utilizando un equipo de prueba de tensión. A partir de los resultados de las pruebas, el coeficiente de correlación (CC), el error medio absoluto (MAE), el error cuadrático medio (RMSE), el error absoluto relativo (RAE) y el error cuadrático relativo (RRSE) son 0,9664, 14,2598, 19,684, 22,26% y 25,01% con el modelo SGBS. El resultado indica que los valores predichos se ajustan bien a los medidos. También se han realizado comparaciones entre modelos como la regresión lineal, BP, GRNN, SVR y SMO-SVR en las mismas condiciones. Muestran que el CC del modelo SGBS es superior al de otros modelos. Sin embargo, el MAE, RMSE, RAE y RRSE del modelo SGBS son inferiores a los de otros modelos. Esto demuestra que el modelo SGBS es mejor que otros modelos para predecir la intensidad de campo de ruptura de las películas de nanocompuestos de poliimida.

• Materias:Biotecnología Análisis electroquímico Nanotecnología Bioingeniería Nanoestructuras Nanocompuestos
• Subjects:Biotechnology Electrochemical analysis Nanotechnology Bioengineering Nanostructures Nanocomposites
• Palabras claves:modelo sgbs, intensidad de campo de ruptura, otros modelos, svr, aumento de gradiente estocástico, diferentes composiciones porcentuales, error absoluto medio, películas de nanocompuestos de poliimida, error absoluto relativo, error cuadrático relativo
• Keywords:sgbs model, breakdown field strength, other models, svr, stochastic gradient boosting, different percentage compositions, mean absolute error, polyimide nanocomposite films, relative absolute error, relative squared error