Machıne learnıng based predıctıve modelıng and correlatıon analysıs of the electrocalorıc effect ın ferroelectrıcs

Abstract

Elektrokalorik etki, katı hal soğutma teknolojileri için oldukça umut verici ve önemli bir fiziksel olgudur. Bu olgu, üretim parametreleri, malzeme kompozisyonu, ölçüm değişkenleri ve performans arasındaki kompleks ilişkileri de beraberinde getirmektedir. Bu kompleks ilişkiler ise sistematik bir optimizasyon sürecinin önemi ortaya koymaktadır. Bu tez, malzeme bilimi doğasındaki korelasyonları ortaya çıkarmak, elektrokalorik davranışı ve performansı modellemek ve optimize etmek için veri odaklı malzeme bilimi yaklaşımını ve makine öğrenimini kullanarak bu boşluğu doldurmaktadır. Literatürde yayınlanmış çalışmalardan kapsamlı veri kümeleri oluşturulmuş ve adyabatik sıcaklık değişimini doğru bir şekilde tahmin etmek için makine öğrenimi modeli eğitilmiştir. SHAP analizi, belirli bir sistemde baskın olan önemli özellikleri ve eğilimi göstermiştir. Bayesian optimizasyonları, farklı kısıtlamalar altında elektrokalorik yanıtı artıran mümkün olan en iyi işleme parametreleri kümesini aramak ve bulmak için kullanılmıştır. Sanal veri kümeleri oluşturulmuş ve yüksek performanslı alanları bulmak için öngörüsel kontur haritaları oluşturulmuştur. Bu tez, veri odaklı malzeme bilimi ve makine öğreniminin gizli kalıpları ortaya çıkarıp tanıyabileceğini ve yüksek performanslı malzemeler elde etmek için araştırmacılara rehberlik edebileceğini göstermektedir.The electrocaloric effect is an important and exciting phenomenon for the development of solid-state cooling technologies. However, the effect brings complex relationships between processing parameters, material composition, and performance. This complexity emphasizes the importance of systematic optimization. This thesis fills that gap by using the data-driven materials science approach and machine learning to reveal the correlations, predict, and optimize the electrocaloric behavior. Comprehensive datasets have been created from the published studies in the literature and machine learning model trained to accurately predict the adiabatic temperature change. SHAP analysis showed the important features and trend that are dominant in the specific system. Bayesian optimization frameworks were used to search and find the best possible set of processing parameters that increases the electrocaloric response under different constraints. Virtual datasets have been generated, and predictive contour maps are created to find the high-performance areas. This thesis shows that the data-driven materials science and machine learning can reveal and recognize the hidden patterns and guide the researchers for achieving high-performance materials.