Ab-initio and artificial intelligence based methods for materials physical properties prediction
| dc.contributor.author | BOUZATEUR Inas | |
| dc.contributor.author | enca/BENNACER Hamza | |
| dc.date.accessioned | 2024-10-02T09:58:16Z | |
| dc.date.available | 2024-10-02T09:58:16Z | |
| dc.date.issued | 2024-10-02 | |
| dc.description.abstract | La création des nouveaux composants peu coûteux et capables de répondre aux besoins actuels et futurs devient de plus en plus cruciale en raison de la rapidité des changements industriels. Cependant, les méthodes traditionnelles de recherche rationnelle de nouveaux matériaux avec un ensemble spécifique de caractéristiques sont devenues difficiles et coûteuses en raison de l'augmentation de la complexité structurelle et fonctionnelle des matériaux. Ce constat essentiel a ouvert la voie à l'idée d'utiliser des méthodes d’intelligence artificielle dans ce domaine. La recherche présentée dans cette thèse se concentre sur deux axes fondamentaux : Le premier se concentre sur développement d'une technique intelligente de prédiction et d'identification de plusieurs propriétés des matériaux et le second sur l’utilisation de la théorie de la fonctionnelle de la densité (DFT) pour calculer et analyser le paramètre de réseaux et la bande interdite du composé Ba2BiTaS6 proposé. À cette fin, plusieurs points ont été abordés. Premièrement, nous avons proposé une structure innovante exploitant les réseaux de neurones artificiels (ANN) et l'algorithme d'optimisation par essaim de particules (PSO) pour éliminer les problèmes de minima locaux dans les modèles ANN tout en maintenant la qualité de l'ajustement. Cette approche accélère l'identification de nouveaux matériaux de chalcopyrite dans les cellules solaires photovoltaïques avec une résolution améliorée en prédisant les propriétés de la bande interdite. Le modèle comprend deux sous-systèmes parallèles : un système de prédiction conventionnel avec des données d'entraînement de basse résolution comme premier sous-système ANN, et un second sous-système de "modèle d'erreur" introduit pour aborder les préoccupations de qualité de résolution et représenter l'incertitude dans le modèle principal. De plus, nous avons présenté une analyse comparative des algorithmes d'optimisation afin de comprendre et de quantifier la performance des ANN dans la conduite du processus de recherche vers de meilleures solutions parmi toutes les solutions possibles. Des techniques efficaces basées sur ANN-PSO et la logique floue-PSO ont été utilisées pour prédire les constantes de réseau des pérovskites pseudo-cubiques et cubiques. La machine d'apprentissage extrême (ELM) a été utilisée pour prédire le paramètre de réseau des composés à double pérovskite. Enfin, nous avons utilisé la méthode FP-LAPW dans l'environnement WIEN2k, basée sur la théorie DFT, pour calculer et analyser le paramètre de réseaux et la band énergie de Ba2BiTaS6. | |
| dc.identifier.other | DOC/EL/2024 | |
| dc.identifier.uri | https://dspace.univ-msila.dz/handle/123456789/44342 | |
| dc.language.iso | fr | |
| dc.publisher | University of M'sila | |
| dc.relation.ispartofseries | 2024 | |
| dc.title | Ab-initio and artificial intelligence based methods for materials physical properties prediction | |
| dc.type | Other |