2025/10/10 by Hoda Ghavaminai, Ghavaminai, Hoda
Chemistry · Materials Science · #Advanced Physical and Chemical Molecular Interactions #Carbon Nanotubes #Carbon Nanotubes in Composites #Deep Neural Networks #Machine Learning in Materials Science #Mechanical Properties #Molecular Dynamics #Polymer Nanocomposites
paper · doi:10.82385/jacms.2025.1220685
openalex publication_date 2025/10/10 · openalex created_date 2025/12/24 · openalex updated_date 2026/07/07
در این پژوهش، یک چارچوب ترکیبی مبتنی بر شبکه عصبی عمیق و دینامیک مولکولی برای مطالعه خواص مکانیکی و حرارتی کامپوزیتهای پلیمری - نانولوله کربنی توسعه داده شد. مدل شبکه عصبی عمیق با استفاده از دادههای کوانتومی آموزش داده شد و بهعنوان میدان نیروی دقیق در شبیهسازیهای دینامیک مولکولی مورد استفاده قرار گرفت. نتایج نشان داد که مدل پیشنهادی خطای جذر میانگین مربعات را در مقایسه با میدانهای نیروی متعارف بهطور قابل توجهی کاهش میدهد. افزودن ۵ درصد وزنی نانولوله کربنی به ماتریس پلیمری، مدول یانگ را تا ۲۲۴ درصد و هدایت حرارتی را تا ۷۴۳ درصد بهبود بخشید. همچنین زمان محاسبات برای سیستمهای بزرگ مقیاس تا ۹۴ درصد کاهش یافت. مقایسه نتایج شبیهسازی با دادههای تجربی، خطای نسبی کمتر از ۵ درصد را برای خواص مکانیکی و حرارتی تأیید کرد. این پژوهش نشان میدهد که مدل ترکیبی توسعهیافته میتواند بهعنوان یک ابزار کارآمد و دقیق برای طراحی و بهینهسازی نانوکامپوزیتهای پلیمری در صنایع مختلف از جمله هوافضا، خودروسازی و الکترونیک مورد استفاده قرار گیرد.