DESTEK VEKTÖR REGRESYONU YÖNTEMİYLE KARBON NANOTÜP BENZETİM SÜRESİNİN KISALTILMASI

Mehmet ACI, Mutlu AVCI, Çiğdem ACI
463 100

Öz


Yoğunluk Fonksiyonel Teorisi’nin (YFT) en önemli uygulamalarından bir tanesi Karbon Nanotüplerdir (KNT). Karbonun kimyasal ve fiziksel karakteristiği sebebiyle KNT benzetimleri nanoteknoloji alanında büyük rol oynamaktadır. YFT hesaplarının saatler hatta günler sürmesi KNT benzetimlerinin en zor yanını oluşturmaktadır. Bu çalışmada KNT’lerin atomik koordinatlarını hesaplayan benzetimlerin süresini kısaltacak bir Destek Vektör Regresyonu (DVR) modeli önerilmiştir. KNT benzetimlerinden elde edilen u, v ve w koordinatları DVR yöntemi kullanılarak yüksek doğrulukta ve dakikalar içinde tahmin edilmiştir. Bu tahmin modeli için CASTEP yazılımı kullanılarak 10721 örnek içeren bir veri kümesi oluşturulmuştur. Veri kümesi atomik koordinatlar ve kiral vektörlerden oluşmaktadır. Önerilen modelin doğruluğunu değerlendirmek için Ortalama Karesel Hata (OKH), Ortalama Mutlak Hata (OMH), Standart Tahmin Hatası (STH) ve Korelasyon Katsayısı (R) ölçütleri kullanılmıştır. Veri kümesi, 10-katlı çapraz doğrulama kullanılarak ve kullanılmadan ayrı ayrı çalışılmıştır. Bu çalışmadan elde edilen sonuçlar iki şekilde kullanılabilir: 1) Atomik koordinatlar hiçbir benzetim programı kullanmadan düşük bir hata oranı ile tahmin edilebilir, 2) Tahmin edilen koordinatlar benzetim programlarına başlangıç değeri olarak verilip benzetimin süresi ciddi oranda kısaltılabilir.


Anahtar kelimeler


Atomik koordinat; Karbon nanotüp; Tahmin; Destek vektör regresyonu

Tam metin:

PDF


Referanslar


Hohenberg P., Kohn W., Inhomogeneous electron gas, Physical Review, 136, B864-B871, 1964.

Kohn W., Sham L.J., Self-consistent equations including exchange and correlation effects, Physical Review, 140 (4A), A1133-A1138, 1965.

Akgenç B., Elektronik yapılarda DFT tabanlı hesaplamalar ve nano-düzeydeki molekül bağıntılarının iletim katsayısı, Master Tezi, Sakarya Üniversitesi, Fen Bilimleri Enstitüsü, Sakarya, 2010.

Yetim A., Karbon nano tüpler, Master Tezi, Çukurova Üniversitesi, Fen Bilimleri Enstitüsü, Adana, 2011.

Materials Design. MedeA. http://www.materialsdesign.com/medea. Erişim tarihi Ağustos 16, 2016.

FQS Poland. SCIGRESS - Molecular modeling software. http://www.fqs.pl/Chemistry_Materials_Life_Science/products/scigress. Erişim tarihi Ağustos 16, 2016.

JCrystalSoft. http://www.jcrystal.com. Erişim tarihi Ağustos 16, 2016.

BIOVIA Materials Studio. CASTEP. http://accelrys.com/products/collaborative-science/biovia-materials-studio/quantom-catalysis-software.html. Erişim tarihi Ağustos 16, 2016.

Kendall R.A., Aprà E., Bernholdt D.E., Bylaska E.J., Dupuis M., Fann G.I., Harrison R.J., Ju J., Nichols J.A., Nieplocha J., High performance computational chemistry: An overview of NWChem a distributed parallel application, Comput. Phys. Commun., 128 (1), 260-283, 2000.

Cheng G., Wu H., Qiang X., Ji Q., Zhao Q., Graphene field-effect transistor modeling based on artificial neural network, International Conference on Mechatronics, Electronic, Industrial and Control Engineering, Shenyang-Çin, 1479-1483, 1-3 Nisan, 2015.

Zayid E.I.M., Akay M.F., Predicting the performance measures of a message-passing multiprocessor architecture using artificial neural networks, Neural Computing and Applications, 23 (7-8), 2481-2491, 2013.

Riverbed. OPNET is now part of Riverbed SteelCentral. http://www.riverbed.com/gb/products/steelcentral/opnet.html?redirect=opnet. Erişim tarihi Ağustos 18, 2016.

Sharma A., Sahoo P.K., Tripathi R., Meher L.C., Artificial neural network-based prediction of performance and emission characteristics of CI engine using polanga as a biodiesel, Int. J. Ambient Energy, 1, 1-12, 2015.

Kayabaşı A., Akdağlı A., Usage of ANN and ANFIS methods for computing resonant frequency of slot-loaded compact microstrip antennas, Journal of the Faculty of Engineering and Architecture of Gazi University, 31 (1), 105-117, 2016.

Yurtcu Ş., Özocak A., Prediction of compression index of fine-grained soils using statistical and artificial intelligence methods, Journal of the Faculty of Engineering and Architecture of Gazi University, 31 (3), 597-608, 2016.

Fakhim B., Hassani A., Rashidi A., Ghodousi P., Predicting the impact of multiwalled carbon nanotubes on the cement hydration products and durability of cementitious matrix using artificial neural network modeling technique, The Scientific World Journal, 4 (1), 1-8, 2013.

MathWorks. MATLAB. http://www.mathworks.com/products/matlab. Erişim tarihi Ağustos 18, 2016.

Vapnik V., The nature of statistical learning theory, Springer-Verlag, New York, A.B.D., 2000.

Smola A.J., Schölkopf B., A tutorial on support vector regression, Statistics and Computing, 14 (3), 199-222, 2004.

Acikkar M., Akay M.F., Akturk E., Gulec M. Intelligent regression techniques for non-exercise prediction of VO(2)max, Signal Processing and Communications Applications Conference, Girne-K.K.T.C., 1-4 ,24-26 Nisan, 2013.

Yakut E., Elmas B., Yavuz S., Yapay sinir ağları ve destek vektör makineleri yöntemleriyle borsa endeksi tahmini, Suleyman Demirel University Journal of Faculty of Economics & Administrative Sciences, 19 (1), 139-157, 2014.

Yakut E., Veri madenciliği tekniklerinden C5.0 algoritması, destek vektör makineleri ile yapay sinir ağlarının sınıflandırma başarılarının karşılaştırılması: İmalat sektöründe bir uygulama, Doktora Tezi, Atatürk Üniversitesi, Sosyal Bilimleri Enstitütüsü, 2012.

Kecman V., Learning and soft computing: Support vector machines, neural networks, and fuzzy logic models, MIT Press, Cambridge, İngiltere, 2001.

Aydogmus H.Y., Ekinci A., Erdal H., Optimizing the monthly crude oil price forecasting accuracy via bagging ensemble models, Journal of Economics and International Finance, 7 (5), 127-136, 2015.

Yapraklı T.Ş., Erdal H., Firma başarısızlığı tahminlemesi: Makine öğrenmesine dayalı bir uygulama, International Journal of Informatics Technologies, 9 (1), 21-31, 2016.




Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 License.