Natural additive material for desirable dielectric properties of polypyrrole: Limestone

Kılıç, Mehmet

doi:10.1016/j.synthmet.2020.116297

Cited by 9 publications

(3 citation statements)

References 50 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Then the samples have been placed between two gold electrodes in a measurement cell. The experimental dielectric data set of the samples have been obtained by NOVO Control Broadband Dielectric/Impedance analyzer with Quatro Cryosystem between 1Hz-40MHz at different temperatures [24]. By using some of the experimental data of the samples as the training set, the different supervised ML models have been performed by following the steps given in Figure 1(b).…”

Section: Experimental Results For Machine Learningmentioning

confidence: 99%

Application of Supervised Machine Learning Regression Algorithm to Prediction of Dielectric Properties of PPy/Kufeki Stone Composites for Energy Implementations

Eyecioğlu

Karabul

Kılıç

et al. 2022

Gazi University Journal of Science

View full text Add to dashboard Cite

Highlights Supervised machine learning models predicted the dielectric parameters of polypyrrole composites.  Limited experimental data of the samples were used as training sets for machine learning models.  The accuracy of the estimated parameters was evaluated by R 2 , RMSE, and MAE errors.  The potential of these composites in energy storage applications was revealed by machine learning.

show abstract

Section: Experimental Results For Machine Learningmentioning

confidence: 99%

Application of Supervised Machine Learning Regression Algorithm to Prediction of Dielectric Properties of PPy/Kufeki Stone Composites for Energy Implementations

Eyecioğlu

Karabul

Kılıç

et al. 2022

Gazi University Journal of Science

View full text Add to dashboard Cite

show abstract

“…Bu özellikler, sıcaklık, frekans gibi dış etkiler altında katkı malzemeleri ile ayarlanabilmektedir. Fakat istenilen dielektrik özelliklere sahip malzemeyi üretebilecek uygun kombinasyonların bulunması çok yoğun deneysel çabaya ihtiyaç duymaktadır (Alkan et al, 2020;Kılıç, 2020;Kılıç, Ergin, Karabul, & Özdemir, 2019). Yoğun zaman ve maliyet gerektiren bu süreçleri Makine öğrenmesi gibi Yapay zekâ modeller kullanarak optimize etmek mümkündür (Eyecioglu, Karabul, Alkan, Kilic, & Icelli, 2016;Eyecioglu, Kılıç, & Özdemir, 2018;Kılıç, Eyecı̇oglu, Özdemı̇r, & Alkan, 2019).…”

Section: Araştırma Sonuçları Ve Tartışmaunclassified

“…Buna bağlı olarak elektriksel ve mekanik özellikleri ve bu özelliklerinin iyileştirilmesine yönelik çok sayıda araştırma yapılmaktadır. Özellikle polimer kompozitlerin dielektrik özellikleri üzerine yapılan çalışmalar dikkat çekicidir (Kılıç, 2020;Kılıç, Özdemir, Karabul, Karataş, & Çataltepe, 2020;Moez A. A., 2012).…”

Section: Introductionunclassified

Bazalt/PANI Kompozitlerinin Dielektrik Özelliklerinin Tahmini için Makine Öğrenmesi Modellerinin Karşılaştırılması

Eyecioğlu¹

2021

European Journal of Science and Technology

View full text Add to dashboard Cite

Özİletken polimer kompozit malzemeler, süper kapasitörler, varistörler veya sensörler gibi birçok teknolojik uygulamada kullanılır. Teknolojik uygulamalar için çok önemli olan bu malzemelerin dielektrik geçirgenlik gibi elektronik özellikleri, katkı oranı ve sıcaklık gibi temel parametrelere bağlı olarak doğrusal olmayan davranış göstermektedir. Olası paremetre konfigürasyonlarının fazlalığından dolayı bu özelliklerin istenen değerleri sağlaması için tüm uygun parametrelere setlerinin deneysel olarak belirlenmesi zahmetli ve maliyetlidir. Bu amaç için pratik bir yöntem önermek çok önemlidir. Bu çalışmada, CM1 ve KYZ13 bazalt katkılı PANI polimer kompozitlerinin kompleks dielektrik fonksiyonlarının gerçek ( ! ) ve sanal bileşenlerinin ( !! ), açısal frekansa (w) ve PANI konsantrasyonuna (wt) (%10, %25 ve %50) bağlı doğrusal olmayan değişimlerinin tahmini için üç farklı makine öğrenmesi algoritması uygulanmıştır. Bu algoritmalar, Doğrusal Regresyon (LR), k-En yakın komşu regresyonu (k-NN), Karar ağacı regresyonu (DT-R) makine öğrenmesi algoritmalarıdır. Bu algoritmaların eğitim süreçleri için gerekli olan veri seti, deneysel dielektrik ölçümleri kullanılarak oluşturulmuştur. Bu deneysel veriler, oda sıcaklığında 100 Hz ile 17.5 MHz arasında değişen frekans aralığında empedans analizör kullanılarak elde edilmiştir. Bu çalışmada lineer regresyon, k-en yakın komşu regresyon ve karar ağacı regresyon algoritmalarının tahmin performansı ayrıntılı olarak karşılaştırılmıştır. Karşılaştırma, istatistiksel fit, belirleme katsayısı ( " ), ortalama karesel hata (OKH) ve ortalama mutlak hata (OMH) istatistiksel performans metriklerinin karşılaştırılması ile belirlenmiştir. Tahmin sonuçlarının performans karşılaştırması ile Lineer Regresyon algoritmasının uygun kararlı bir tahmin performansı gösterememesine karşın, karar ağacı regresyonu modelinin, hem gerçek ( ! ) hem de sanal bileşenlerinin ( !! ) hesaplanmasında daha uygun model olduğu görülmüştür.

show abstract

Machine learning models for estimating the AC conductivity mechanism of Edirne Kufeki stone reinforced Polypyrrole composites

Eyecioğlu

2022

J of Applied Polymer Sci

View full text Add to dashboard Cite

In this study, the detailed temperature and frequency-dependent (ac) conductivity analyzes of Polypyrrole/Edirne Kufeki Stone (PPy/EKS) composites have been realized by considering both experimental and Machine Learning (ML) algorithms predicted data. In this respect, the experimental ac conductivity data of pure PPy, PPy/5% EKS, PPy/10% EKS, and PPy/20% EKS composites between 1 Hz and 40 MHz at 296, 313, and 333 K temperatures have been usedfor the data set of ML. First, a benchmark study has been done for applied ML algorithms to obtain an eligible model. It is found that the Gaussian process regression (GPR) algorithm provided the best prediction performance. Since it has been observed a good conformity between the experimental and prediction data of GPR model, the ac conductivity (σ ac ) versus angular frequency (w) curves of the composites produced experimentally have been estimated for new temperature values, which were not treated experimentally. Then, the σ ac ¼ f w ð Þ curves of at temperature values have been estimated by GPR which is for the EKS composites at various contributions that have not been experimentally produced. Ultimately, the GPR algorithm developed in the present work enables us to determine the optimum EKS additive percentage, working temperature, and frequency band for the PPy polymer matrix.

show abstract

Natural additive material for desirable dielectric properties of polypyrrole: Limestone

Cited by 9 publications

References 50 publications

Application of Supervised Machine Learning Regression Algorithm to Prediction of Dielectric Properties of PPy/Kufeki Stone Composites for Energy Implementations

Application of Supervised Machine Learning Regression Algorithm to Prediction of Dielectric Properties of PPy/Kufeki Stone Composites for Energy Implementations

Bazalt/PANI Kompozitlerinin Dielektrik Özelliklerinin Tahmini için Makine Öğrenmesi Modellerinin Karşılaştırılması

Machine learning models for estimating the AC conductivity mechanism of Edirne Kufeki stone reinforced Polypyrrole composites

Contact Info

Product

Resources

About