热电材料工程科学与技术：人工神经网络预测模型的创新开发（2020）1476.

工程科学与技术，国际期刊23（2020）1476完整文章热电材料创新开发中的人工神经网络预测模型Seyma Kokyaya，Enes Kilincb，Alfreh Uysalc，Alfreh，Huseyin Kurtd，Erdal Celike，f，Muharrem Dugenciaa土耳其Karabuk，Karabuk大学，工业工程系，工程学院b土耳其Karabuk，Karabuk大学，机械工程系，工程学院c土耳其萨卡里亚萨卡里亚应用科学大学机械工程系技术学院。d土耳其科尼亚内梅廷埃尔巴坎大学工程和建筑学院机械工程系高等教育委员会，Bilkent，安卡拉，土耳其f土耳其伊兹密尔Dokuz Eylul大学工程学院冶金和材料工程系阿提奇莱因福奥文章历史记录：收到2019年2020年4月2日修订2020年4月27日接受2020年5月14日网上发售关键词：热电材料品质的神经网络预测模型A B S T R A C T利用人工神经网络来估计热电材料的性能而无需生产和测量，这一事实将在时间和成本方面帮助研究人员。为此 ， 在 没 有 实 验 研 究 的 情 况 下 ， 利 用 人 工 神 经 网 络 来 估 计 热 电 材 料 的 性 能 值 ， 即 品 质 因 数 。 在Ca2.7Ag0.3Co4O9-和Zn0.98Al0.02O基氧化物热电材料中掺杂不同的元素，得到了19种不同成分的p型和n型热电体样品。以100°C的增加速率从200 °C至800 °C测量块体样品的塞贝克系数、电阻率和热扩散率值，并计算品质因数值利用123个实验数据和掺杂元素的摩尔质量建立了7个不同的人工神经网络模型在该系统中，旨在预测的电阻率，热扩散率和热电材料的品质因数值，这些值的平均R值和准确率估计为94%和80%，分别。©2020 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍近年来，电力需求的增加、化石燃料的快速消耗和环境污染物的增加已经引起了对可再生能源的关注[1]。热电能源也被称为可再生能源，并以减少全球变暖和减少自然环境影响的概念发展[2]。热电技术通过回收汽车、工厂和类似来源的废热来产生电能。热电发电机（TEG）利用塞贝克效应将热能直接转换为电能。p型和n型热电材料的电串联和热并联连接以及两侧之间的温度梯度的应用提供了有效的电压和电功率[3，4]。尽管热电发电机效率低，但它们在从废热中回收能量方面具有重要作用[2，5]。这种能量的优点在于，*通讯作者。电子邮件地址：fatihuysal@subu.edu.tr（法国）Uysal）。由Karabuk大学负责进行同行审查它紧凑、安静、环保、免维护且没有移动部件[2，6，7]。从热电能获得高性能的研究无量纲品质因数（zT）表示热电材料的性能值。如果zT值大于1，则该系统可被视为技术应用的可能候选者[8]。使用公式zT=S2rT/j确定zT值，其中S是塞贝克系数，r是电导率，T是温度，j是导热系数增加zT值取决于塞贝克系数和电导率的增加以及热导率的降低[6，9]。人工神经网络（ANN）能够学习输入和输出数据之间的非线性关系[10]。此外，它们可以提供非线性建模，而不需要输入和输出变量的任何先验知识以及任何假设[11]。Haykin将人工神经网络描述为使用经验数据的处理器，具有简单的处理单元并一起使用这些处理器，他在1999年表示，这种处理器类似于大脑，由于网络而从周围环境中获取信息https://doi.org/10.1016/j.jestch.2020.04.0072215-0986/©2020 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestchS. Kokyay等人/工程科学与技术，国际期刊23（2020）14761477-它使用神经元和权重值之间的连接来评估这些信息[12]。人工神经网络受人脑功能的启发，可以通过实验进行学习和归纳，发现数据之间未知和不可预测的关系，并应用于预测输出。此外，由于它不是一个线性模型，它可以清楚地揭示无法识别的关系[13]。此外，在某些问题中，ANN可以产生比数学模型结果更好的结果[14]。人工神经网络的功能和结构由称为神经元的相互连接的密集网络组成，这些神经元可以像人脑一样思考[15]。此外，ANN可以通过继续预测过程来适应新数据，而不需要任何方程，直到通过训练输入数据获得的估计输出数据接近目标输出数据[16]。人工神经网络也可用于表征冷却系统，并且可能是用于复杂系统模型的合适方法，而无需识别基本数学模型[17]。使用ANN的估计模型，作为热电冷却模块最重要的性能度量的zT值可以估计为接近100%[18]。高温p型热电材料的塞贝克系数可以使用用蜜蜂算法训练的人工神经网络估计，准确度为94.4%[19]。通过识别热电模块的热侧和冷侧温度以及热电力作为输入，使用ANN估计从热电模块的冷却表面吸收的热输出，并且获得的结果非常接近实验值[20]。或者，使用ANN和基于ABC的ANN方法来估计材料的介电性质。分别使用散射和介电常数参数作为输入和输出，对不同频率范围（毫米波和亚太赫兹波）进行高精度估计[21]。在这项研究中，决定性能利用MATLAB的人工神经网络模块，在一定条件下，利用实际实验数据，对热电材料的电阻率、热扩散率、zT等参数进行了估算在人工神经网络模型中，用不同的训练算法确定了电介电常数、热扩散率和zT变量7种不同的预测模型重复25次，并记录结果。对各研究的估计结果与测量结果进行了比较，并对回归（R）和平均绝对百分比误差（MAPE）进行了评价。评估了25个不同的R和MAPE值，并根据模型给出了平均结果。2. 材料和方法2.1. 热电体样品的制备和表征热电技术基本上通过热电模块将热能直接转换为电能，热电模块通过将p型和n型半导体材料电串联和热并联连接而形成[3，4]。热电材料和导体放置在两个陶瓷板之间，以构成如图1所示的热电模块的结构。陶瓷板在导热的同时是电绝缘的为 了 制 备 TE 材 料 ， 采 用 溶 胶 - 凝 胶 法 制 备 了 Ca2.7Ag0.3Co4O9- 和Zn0.98Al0.02O在第一步骤中，将Ca、Ag、Co、Y、La、Ce、Pr、Nd、Sm、Eu、Gd、Tb、Dy、Ho、Er、Yb和Lu的硝酸盐（前体的化学式和纯度等级在表1中给出）溶解在蒸馏水中。在第二步骤中，使用磁力搅拌器在100 °C下以化学计量比混合Ca、Ag、Co和掺杂元素。最后，将预混合物完全溶解，并将柠檬酸一水合物作 为 粘 合 剂 添加到溶液中，形成凝胶以合成p型粉末[22，23]。将硝酸锌六水合物、硝酸铝九水合物和掺杂剂（Ga、In和Ge）的硝酸盐溶解在蒸馏水中，并以n型粉末的化学计量比均匀混合。在100 °C下混合所得溶液的过程中，加入冰醋酸作为粘合剂[24]。在200 °C下将所获得的用于p型和n型材料的干凝胶干燥2小时以除去不需要的气体如HCl。为了完成干燥粉末的相形成，将p型粉末和n型粉末在800 °C下煅烧2小时，并在600 °C下煅烧10小时。4h，分别。粉末的XRD衍射分析结果用Thermo Scientific ARL型X射线衍射仪以2°/min的速率在5°≤ 2 h≤90 ℃下使用CuKa照射（波长，k = 1.540562nm）获得。通过Thermo-Scientific型X射线光电子能谱（XPS）装置分析粉末的元素ID和定量，所述装置具有单色Al-Ka（1486.7eV）X射线源和400 nm直径的光束尺寸。根据金标准4f 7/2校准器械。在光谱数据采集期间，压力保持低于5 × 10- 10mbar。通过施加150 eV的通过能量和100eV的分辨率，在1350和10 eV之间获得XPS数据。1 eV。记录了来自单个点的20次扫描煅烧后的Ca2.7Ag0.3Co4O9- 和Zn0.98Al0.02O基TE粉末在1100 MPa下采用冷压法在不使用任何粘结剂的情况下进行了固结。最后，分别通过在900°C下烧结24 h和在1350°C下烧结 36 h来获得p型和n型样品的体样品使用Linseis LSR-3系统在100°C的范围内在200 ° C和800°C之间测量本体样品的塞贝克系数和电阻率在该仪器中，根据四点探针法，通过测量100 mA电流通过样品时产生的电压来样品的热导率值使用Eq.（1）[25]，jaqcp其中，j是热传导率，a是热扩散率，q是密度，并且cp是TE材料的比热容。通过激光闪光法使用Netzsch LFA 457 MicroFlash Apparatus测量样品的热扩散率。样品的比热容使用杜隆和珀蒂定律[26]确定，并且它们的密度使用阿基米德原理测量2.2. 人工神经网络模型p型和n型热电致冷材料的组成直接对TEG的性能起决定性作用。为此，在表2中给出了作为将不同元素掺杂到Ca2.7Ag0.3 Co4 O9-和Zn0.98 Al0.02 O基半导体材料中的结果而获得的19种不同组成，其中使用在不同温度下测量的塞贝克系数、电阻率和热导率来计算它们的zT值为了在ANN中使用，通过使用表2中给出的组合物创建7个不同的模型，其中温度、塞贝克系数、电阻率和热扩散率值作为输入，并且估计电阻率、热扩散率和zT值（表5）。考虑每种组合物在200-800 °C范围内的温度值下的测量结果，总共创建123个数据单元，并且在7个模型中的每一个中使用所本文采用MATLAB R2014 b中的人工神经网络模块预测p型和n型材料的热电性能和zT，由于其可用性和准确性，本文采用人工神经网络模块预测p型和n型材料的zT。1478S. Kokyay等人/工程科学与技术，国际期刊23（2020）1476Fig. 1. 一种p型温差发电器的设计。表1起始前体的化学式和纯度等级。前体化学品式纯度等级/供应商得到计算的R和MAPE值，并将模型相互比较。由于贝叶斯和Levenberg-Marquardt算法是ANN模块最常用的算法，硝酸钙四水合物Ca（NO3）2·xH2O 99%，阿法埃莎硝酸钴（II）六水合物Co（NO3）2·6 H2O 98%，阿法埃莎硝酸银AgNO3 99+ %，阿法埃莎尺度共轭梯度算法给出了接近的结果，训练算法使用Levenberg- Marquardt算法40%，贝叶斯算法40%，硝酸镧（III）六水合物La（NO3）3·6H2O 99.9%，Alfa Aesar缩放共轭梯度算法20%（表4）[27]。不同输入变量硝酸镨（III）水合物Pr（NO3）3·6H2O99.9%，Alfa Aesar被指定为热扩散率，电阻率和zT硝酸钕（III）Nd（NO3）3·6H2O 99.9%，Alfa Aesar（表5）。每个模型包括一个隐藏层，硝酸钐（III）六水合物Sm（NO3）3·6H2O 99.9%，Alfa Aesar硝酸钆（III）水合物Gd（NO3）3·xH2O 99.9%，Alfa Aesar隐藏层中的神经元被确定为15，在所有模型中均获得了最佳结果（图11）。 2）的情况。在建立-硝酸镝（III）五水合物Dy（NO3）3·5H2O 99.9%，Alfa Aesarlished模型，123个数据单元中的55%被用作训练-硝酸铒（III）水合物Er（NO3）3·xH2O 99.9%，阿法埃莎硝酸镱（III）水合物Yb（NO3）3·xH2O 99.9%，阿法埃莎硝酸铕（III）六水合物Eu（NO3）3·6H2O99.9%阿法埃莎硝酸铽（III）水合物Tb（NO3）3·xH2O 99.9%，阿法埃莎硝酸钬（III）五水合物Ho（NO3）3·5 H2O99.9% Alfa Aesar硝酸镥（III）水合物Lu（NO3）3·xH2O 99. 9%，Alfa Aesar硝酸铈（III）六水合物Ce（NO3）3·6 H2O 99. 5%，Alfa Aesar硝酸钇（III）六水合物Y（NO3）3·6H2O99.9%，Alfa Aesar在第一阶段，根据Ca2.7 Ag0.3 Co4 O9-和Zn0.98 Al0.02 O-基组合物（表2）内的掺杂元素的摩尔质量用作输入数据（表5）。将组成中包含的元素的摩尔质量写入一列，并且将未包含的元素的摩尔质量作为零写入相应的列。在第二阶段，塞贝克系数、电阻率和热扩散率的测量值通过根据测量这些参数时的温度与表2在第三阶段，使用不同的训练算法对7个不同的模型运行25次，并分别计算所有模型每次运行的R测试数据的平均结果为在所有数据中，20%用作验证数据，25%用作测试数据。所有模型均按照创建的网络范围进行操作。在每个模型中，优选不同的算法，并研究系统的性能。在模型1中，热扩散系数进行了估计。该模型的输入参数是组合物中所含元素的摩尔质量，并利用测量时的温度值，而输出参数是热扩散率。该模型的网络格式为24-15-1。图2示出了为估计整个模型中的所有输出而创建的ANN的架构结构。 模型2的输入参数为元素的摩尔质量、Seebeck系数、电阻率和温度，输出参数为热扩散率。模型网络格式为26-15-1结构。通过使用模型3中的塞贝克系数、电阻率和温度的不同输入，预测与模型2不同的热扩散率值。 在这里，3-15-1网络格式被应用。在模型4中，输入参数是摩尔质量和温度，而输出参数是电阻率。在这种情况下，网络格式为24-15-1。电阻率估计为S. Kokyay等人/工程科学与技术，国际期刊23（2020）14761479表2在不同温度下计算的p型和n型组合物的zT值没有组合物p/n温度（°C）/zT2003004005006007008001Ca2.5Ag 0.3La 0.2Co 4O 9p0.160.200.270.320.400.470.482Ca2.5Ag 0.3Pr 0.2Co 4O 9p0.100.120.150.19–0.340.583Ca2.5Ag 0.3Nd 0.2Co 4O 9p0.180.230.290.340.390.420.524Ca2.5Ag 0.3Sm 0.2Co 4O 9p0.170.240.310.360.430.540.515Ca2.5Ag 0.3Gd 0.2Co 4O 9p0.070.10–0.200.170.330.196Ca2.5Ag 0.3Dy 0.2Co 4O 9p0.070.090.110.160.220.220.257Ca2.5Ag 0.3Er 0.2Co 4O 9p–0.190.240.300.360.410.548Ca2.5Ag 0.3Yb 0.2Co 4O 9p0.010.170.320.370.380.430.479Ca2.5Ag 0.3Eu 0.2Co 4O 9p0.150.190.270.350.450.490.5710Ca2.5Ag 0.3Tb 0.2Co 4O 9p0.10–0.170.220.290.27–11Ca2.5Ag 0.3Ho 0.2Co 4O 9p0.160.210.280.360.430.50–12Ca2.5Ag 0.3Lu 0.2Co 4O 9p0.150.220.290.350.410.480.5013Ca2.7Ag 0.3Co 4O 9p0.150.110.120.160.23–0.3514Ca2.5Ag 0.3Ce 0.2Co 4O 9p0.060.070.110.13–0.210.2115Ca2.5Ag 0.3Y 0.2Co 4O 9p–0.120.160.200.260.340.1716Zn0.94Al 0.02Ge 0.02On0.020.040.010.010.020.030.0417Zn0.98Al 0.02On0.010.010.020.030.040.060.0818Zn0.96Al 0.02Ga 0.02On0.020.030.050.070.100.130.1719Zn0.96Al 0.02In 0.02On0.010.020.030.040.060.090.12图二、为使用输入估计输出而创建的ANN的架构结构模型5.在该模型中，分子量，温度，塞贝克系数和热扩散系数作为输入。 模型网络格式与模型2中相同。模型6与先前模型的不同之处仅在于摩尔质量不用于预测电阻率。模型网-工作格式与模式3相同。 在最后一个模型中，zT值被估计为输出，而模型的输入参数是摩尔质量和温度。模型1、模型4和模型7的模型网络格式相同。1480S. Kokyay等人/工程科学与技术，国际期刊23（2020）14763. 结果和讨论3.1. 相分析采用溶胶-凝胶法制备了p型Ca2.7Ag0.3Co4O9粉体，通过XRD分析确定了 TE 粉 体 的 晶 体 结 构 其 中 一 种 p 型 化 合 物 Ca2.5Ag0.3Eu0.2Co4O9 和Ca2.7Ag0.3Co4O9 的XRD 图谱如图所示. 3 a. 尖锐的衍射峰对应于文献[28]中Ca3 Co4 O9（JCPDS：21-139）的典型峰在图1中给出了Zn 0.96 Al 0.02 Ga 0.02 O的一种n型组合物的XRD图像。 3 B. 溶胶-凝胶法制备n型Zn0.98Al0.02O基TE粉体的晶相方法是由对应于典型ZnO峰的尖锐衍射峰确定的，并形成相应的相从相谱可以看出，2h峰对应于典型的ZnO峰（方镁石，JCPDS：01-089-1397），并且与文献[29]相容。注意，对于Ca2.7 Ag0.3 Co4 O9-和Zn0.98 Al0.02 O基粉末，没有观察到其它在0-1350 eV范围内对Ca2.5Ag0.3Eu0.2Co4O9和 Zn0.96-Al0.02Ga0.02O1.0 eV的能量阶跃以验证组合物中掺杂剂的存在（图4）。一般来说，从氧化物热电样品中，重要的是认识到，对于p型粉末，对应于Ca、Ag、Eu、Co和O的峰和对于n型粉末，对应于Zn、Al、Ga和O的峰证实了这些的存在。图三.合成的p型和n型粉末的结构XRD图案：（a）Ca2.5 Ag0.3 Eu0.2 Co4 O9和Ca2.7 Ag0.3 Co4 O9，以及（b）Zn0.96 Al0.02 Ga0.02 O和相应的典型ZnO峰（方镁石，JCPDS：01-089-1397）。S. Kokyay等人/工程科学与技术，国际期刊23（2020）14761481见图4。Ca2.5Ag0.3Eu0.2Co4O9和Zn0.96Al0.02Ga0.02O粉末的宽谱XPS谱粉末样品中的元素此外，通过XPS研究确定的Ca2.5 Ag0.3 Eu0.2 Co4O9和Zn0.96 Al0.02 Ga0.02 O粉末的元素ID和定量在表3中给出，其中p型粉末的组分Ca 2 p、Ag 3d、Eu 4d、O 1 s和Co 2 p3/2以及n型粉末的组分Zn2 p 3/2、O 1 s、Al 2 p和Ga 3d的结合能（BE）以eV计，从表中可以清楚地看出，对于p型粉末，在346、368、136、530和780 eV的结合能下形成Ca、Ag、Eu、O和Co，对于n型粉末，在1023、533、77、22和446eVXPS谱图中C和Cl的存在原因分别是与空气中的CO2反应和溶解前体的蒸馏水反应。即使在XRD图案中没有清楚地识别掺杂剂的峰，也观察到掺杂剂对p-（Ag和Eu）和n-型粉末（Al和Ga）的影响与XPS谱中的峰相关。因此，掺杂过程被认为是成功执行的。注意，由于等待分析的样品的进一步表面氧化，XPS分析的元素分析结果与目标组合物不同[30]。通过将XRD峰与文献[28，29]进行比较来验证目标组合物的合成。此外，XPS技术是一种允许进行少量纳米结构的表面技术，和表面成分是不同的东西比散装的。在这项研究中，XPS技术仅用于确定在XRD图案中看不到的添加剂效应。在这方面，尚未进行详细的XPS分析[30]。3.2. 人工神经网络结果利用MATLAB R2014 b的ANN模块，考虑7种不同的模型，基于不同的训练算法，对电阻率、热扩散率和zT进行了估算。对于所考虑的每个模型，重复研究25次。考虑其中通过摩尔质量、温度和实验测量数据估计热扩散率的模型2，在ANN训练之后获得的结果图之一示于图10中。图五.在该图中，给出了属于所有结果的验证、测试和平均值的R值，用于估计热扩散率。根据ANN训练和测试结果，只有一个数据单元远离拟合线，其他数据完全聚集在拟合线周围（图5）。这个案例表明，安装的模型在估计所需输出时工作正常。表4示出了所应用的算法，并且示出了根据这些算法获得的R和MAPE值以用于估计热扩散率。模型中的123个数据单元表3Ca2.5Ag0.3Eu0.2Co4O9和Zn0.96Al0.02Ga0.02O粉末的元素鉴别和定量样品峰值位置BE（eV）FWHM（eV）重量（%）元素（%）Ca2.5Ag 0.3Eu 0.2Co 4O 9C1s285.132.64714.46N/A钙离子通道346.173.11917.3015.73Ag3d368.142.26812.904.36O1s530.484.26328.6265.15Co2p3/2780.323.19122.0413.62Eu4d135.718.9644.681.13Zn0.96Al 0.02Ga 0.02OZn2p3/21023.152.96422.757.99O1s532.913.81055.0979.06AL2p76.571.82012.1010.29CL2p201.354.9601.97N/AGa3d22.413.7298.082.661482S. Kokyay等人/工程科学与技术，国际期刊23（2020）1476表4根据摩尔质量、温度和热扩散率的实验测量数据的应用算法获得的R和MAPE值没有算法培训R值确认R值试验R值MAPE值1拉芬贝格-马夸特0.999830.995520.992090.1167606362拉芬贝格-马夸特0.998340.985630.993550.1021169333拉芬贝格-马夸特0.999970.99850.994570.1153388474拉芬贝格-马夸特0.999940.997380.994810.1720590245拉芬贝格-马夸特0.999970.999550.981330.130021616拉芬贝格-马夸特0.991960.991770.991170.1317124477拉芬贝格-马夸特0.999940.998090.996460.0904706928拉芬贝格-马夸特0.999460.991590.956160.1072658419拉芬贝格-马夸特0.996960.990170.995010.08611859310拉芬贝格-马夸特0.999850.978730.973310.17843343911标度结合物0.982550.959090.972670.43872038712标度结合物0.972660.966910.963290.45436418813标度结合物0.992410.994190.96980.13494206914标度结合物0.992470.99380.986780.24955370415标度结合物0.993270.993530.987120.13594402116贝叶斯0.99996–0.997080.09477734717贝叶斯1–0.989290.22059939318贝叶斯0.99999–0.97450.26810132719贝叶斯0.99982–0.997970.07875094120贝叶斯1–0.977010.25338491721贝叶斯0.99957–0.993970.07563240122贝叶斯0.99979–0.994850.10388126823贝叶斯1–0.987830.18153569524贝叶斯0.99987–0.984070.15949501425贝叶斯0.99985–0.990060.096759119表5输入-目标数据、平均和最大精度、平均R（RAVG）和标准差（rR）。模型输入输出R平均值Rr平均准确度（%）最大准确度（%）模型1摩尔质量温度热扩散率0.988050.0109584.0292模型2模型摩尔质量温度塞贝克系数电阻率塞贝克系数电阻率温度热扩散率热0.985390.975060.011440.0081583.38494873模型摩尔质量温度扩散率电0.900290.06983.4894模型摩尔质量温度Seebeck热系数电阻率电0.939910.0411985.1865扩散率电阻率模型6模型Seebeck系数热扩散系数温度摩尔质量温度电阻率品质因数0.89880.963780.050440.01549677689927总共运行了25次。训练数据由67个单元的数据生成，占55%，验证数据由25个单元生成，占20%，测试数据由31个单元生成，123个数据单元的25%。使用这些数据分别计算每个模型的R和MAPE值（表4）[27，31]。当检查算法性能时，可以看出，最高的MAPE值是通过缩放共轭算法获得的，而最低的MAPE值是通过贝叶斯算法获得然而，通过贝叶斯算法获得的一些MAPE值高于通过Lavenberg- Marquardt算法获得的那些值（表4）。虽然这些结果表明，它是可能的，以获得最准确的估计从贝叶斯算法，他们也解释了原因，未充分使用的缩放共轭算法。然而，应该考虑到从Lavenberg- Marquardt算法获得的结果的最高误差将低于从贝叶斯算法获得的最高误差。使用三种不同的训练算法获得模型中获得的所有R值。Bayesian和Lavenberg- Marquardt算法运行10次，Scaled Conjugate Gradient算法运行5次，因为它在其他研究中不太常见。利用神经网络的预测能力获得的结果表明，考虑到组合物的摩尔质量、测量的实际数据和温度的参数，zT值和测量的实际数据可以以低误差估计。在分析模型时，输入和输出参数、训练算法的选择、隐含层的数量和隐含层中的神经元数量都会影响ANN的结果。通过比较实验结果和估计结果获得的平均R值以及根据MAPE结果计算的平均和最大准确率百分比见表5。虽然模型2中热扩散率的估计精度最高为94%，但其平均精度仍为83.3%。在模型4和模型6中实现的电阻率的最高估计为89%，而其平均准确度保持在67%。在模型7中，zT值估计的最高准确度为92%，而其平均准确度也为76%（表5）。根据这些结果，直接估计zT值可能对研究人员更有用在估计热电性能时，其目的是估计-匹配zT值以及用于计算zT的塞贝克系数、电阻率和热导率S. Kokyay等人/工程科学与技术，国际期刊23（2020）14761483图五.通过摩尔质量、温度和实验测量数据估算热扩散率的建筑R值。值在另一项研究中，估计Seebeck系数的准确度为94%[19]。由于热扩散率估算结果优于热导率预测结果，因此在本研究中优先采用热扩散率估算结果作为初步研究的结果，开发了前三个模型用于估算热扩散率，开发了模型4、模型5和模型6用于估算电阻率，开发了模型7用于估算zT值。考虑模型1，其中使用摩尔质量和温度变量估计热扩散率，最佳平均估计结果达到84.02%和98.8%RAVG。如果实验测量的温度值和摩尔质量是已知的，则可以以84.02%的平均准确度估计热扩散率，而无需任何实验并且不需要额外的成本/时间。最佳准确率为92%。由于该模型中的输入数据是生产阶段的数据集，因此这些数据可以为研究人员提供关于待生产材料的重要想法，根据模型2，使用摩尔质量、回火温度和热膨胀系数，以83.3%和98.5%RAVG的准确度性质和实验测量数据。该模型的最佳准确在模型1中加入塞贝克系数和电阻率后，平均精度值下降了0.7点，最高精度值提高了2点。计算zT值所需的热扩散率必须单独测量尽管热导率是应用热扩散率计算的，但在该模型中获得的结果将能够帮助研究人员在不测量热导率的情况下估计zT值在模型3中，将温度、电阻率和Seebeck系数作为输入值来估计热扩散率，其中最佳准确率和RAVG分别被确定为87%和97.5%。在该模型中获得的值不适合使用，因为它们落后于在模型1和模型2中获得的结果。除了热扩散率的估计，研究直接估算导热系数没有的需要计算。然而，由于热导率估计结果低于热扩散率，因此未对其进行评价。1484S. Kokyay等人/工程科学与技术，国际期刊23（2020）1476通过模型4中的摩尔质量和温度变量来估计电阻率，并且以83.4%的准确度和90%的RAVG值获得估计结果。最佳准确率为89%。在模型5中，利用摩尔质量、温度和实验测量数据估算电阻率，在输入参数已知的情况下，平均精度为85.1%，RAVG为93.99%。最佳准确率为86%。模型6中，其中电阻率变量由温度和实验测量数据估计，估计结果被观察到具有67%的平均准确度和89.88%的RAVG最佳准确率为89%。模型感知到电阻与材料含量直接相关的事实虽然模型5中输入数量的增加预计会改善结果，但结果的确定表明，塞贝克系数和热扩散率的测量值在电阻率的估计中显示出负面结果，电阻率也是测量值并与塞贝克系数一起测量。在最后一个模型中，zT值的估计精度的76%和RAVG的96.3%使用的摩尔质量和温度变量。最佳准确率为92%。尽管与模型1相比，该模型的准确性较低，但它能够在研究开始时通过估计zT值为研究人员提供一个观点，而无需测量塞贝克系数、电阻率和热导率。4. 结论采用溶胶-凝胶法和冷压法分别制备了Ca2.7Ag0.3Co4O9-和Zn0.98Al0.02O基氧 化 物 热 电 XRD 分 析 结 果 表 明 ， Ca2.7Ag0.3Co4O9- 和Zn0.98Al0.02O-基粉末中形成了Ca2.7Ag0.3Co4O9和Zn0.98Al0.02O相，没有观察到其它相在7种不同的预测模型中，采用不同的训练算法对热电材料的电阻率、热扩散率和zT值进行了估计。根据模型的计算结果，热扩散率的预测模型得到了最好的估计结果热扩散率的估算有助于计算zT值，而无需测量热扩散率本身。特别是在将组合物的摩尔质量作为输入参数的模型中，获得最佳估计结果可以在研究开始时引导研究人员找到可以获得更好结果的替代建立的模型估计电阻率产生较低的准确率比建立的模型估计的热扩散率变量。根据这一结果，可以通过使用不同的输入来开发新的模型，以改善电阻率的估计在模型7中，通过已知各组分的摩尔质量和实验温度，可以估计zT值，最高这一预测为研究人员在不测量Seebeck系数、电阻率和热导率的情况下估计zT竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。致谢本研究得到土耳其科学技术研究委员会（TUBITAK）的支持，批准号为115M579，并得到卡拉比克大学科学研究项目协调员的支持，批准号为115M579。KBR-BAP-16/1-DR-078。引用[1] H. Najalan，K.A. Woodbury，基于Peltier效应的光伏电池冷却系统的优化，Sol.Energy 91（2013）152https://doi.org/[2] F.费尔格纳湖埃克塞尔，M.内萨拉贾湾Frey，用于能量系统设计的热电装置的面向顺应性的建模，IEEETrans.Ind.Electron.61（2014）1301https://doi.org/10.1109/TIE.2013.2261037[3] R. Kim，理学硕士Lundstrom，一维复合纳米结构的塞贝克系数的计算研究，J. Appl.Phys. 110（2011），https：//doi. org/10.1063/1.3619855034511。[4] M.S. 德雷塞尔豪斯湾，澳-地Chen，Z.F.Ren，G.Dresselhaus，A.亨利，J。P. 李文，新型复合热电材料的能量收集应用，J. Miner. Met. Mater. 61（2009）86-https://doi.org/10.1007/s11837-009-[5] S. Kim，热电发电机的有效温差和电参数的分析和建模，应用能源102（2013）1458https://doi.org/10.1016/j.apenergy.2012.09.006[6] J. Martin ， T. 特 里 特 角 Uher ， High temperature Seebeck coefficient metrology ，J.Appl.Phys.108（2010）1https://doi.org/10.1063/1.3503505[7] X. Gou，H. Xiao，S.杨，低温余热热电发电系统的建模、实验研究与优化，应用。Energy 87（2010）3131https://doi.org/10.1016/j.apenergy.2010.02.013[8] E. Ramos，J. Silva-Valencia，R. Franco，M.S. Figueira，单电子晶体管的热电优值，Int. J. Therm. Sci. 86（2014）387https://doi.org/10.1016/j.ijthermalsci.2014.07.018[9] C. 丘比约湾阿吉尔角坎多尔菲山口Masschelein，A.Dauscher，E.吉尔莫C. Godart，嵌入PbTe或ZnO纳米颗粒的In0.2Co4Sb12方钴矿的热电性能，J. AlloysCompd. 589（2014）513https://doi.org/10.1016/j.jallcom.2013.11.204[10] M. Dügelienci，A. 艾德米尔岛Esen，M.E. Aydın，聚丙烯的蠕变建模使 用 蜜 蜂 算 法 训 练 的 人 工 神 经 网 络 ， Eng.Appl. Artif 内 特 尔 45 （ 2015 ）71https://doi.org/10.1016/j.engappai.2015.06.016[11] I. Kaastra ， M.Boyd ， 设 计 一 个 预 测 金 融 和 经 济 时 间 序 列 的 神 经 网 络 ， 10（1996）215[12] S. Haykin ， Neural Networks ： A Comprehensive Foundation ， 2 ， PrenticeHall，New Jersey，1999。[13] G. Zhang，B.E. Patuwo，M.Y.胡，人工神经网络预测：最新技术，14（1998）35[14] N. Caglar，基于神经网络的圆形钢筋混凝土柱抗剪强度确定方法，Constr.Build.Mater. 23（2009）3225https://doi.org/10.1016/j.conbuildmat.2009.06.002[15] K. Gurney， An Introduction to Neural Networks ， 1 ， CRC Press ， London ，1997。[16] S.Gazali ， H.Kamarulhelmy ， T.Azma ， A. 法 里 斯 岛 Shamsul ，A.Shamsudin，M.陈晓，应用人工神经网络预测自然吸气式火花点火发动机汽轮22（2018）5955-https://doi.org/10.1007/[17] R.李志华，李志华，李志华.调查技术15（2014）93-[18] N. Derebasi，M. Eltez，F. Guldiken，A. Sever，K. Kallis，H.张文，等，热电材料性能的数值模拟，电子材料学报，2001。44（