退火和其他玻璃制造工艺一样，需要了解玻璃转变温度。研究人员开发了一种软件，可以在不制造玻璃的情况下预测玻璃转变温度。信贷:ClearerThinking,gydF4y2BaYouTubegydF4y2Ba
在参观古老的欧洲教堂时，导游有时会告诉人们一个普遍的误解:彩色玻璃窗底部比顶部厚是因为gydF4y2Ba玻璃像液体一样流动gydF4y2Ba．虽然对于不精通玻璃科学的人来说，这听起来是合理的，但玻璃确实经历了gydF4y2Ba过冷液体阶段gydF4y2Ba在成为一个gydF4y2Ba刚性、非晶的材料gydF4y2Ba玻璃科学家知道玻璃被锁定在一种不动的状态，直到gydF4y2Ba玻璃化转变温度gydF4y2Ba是达到了。gydF4y2Ba
玻璃化转变温度(TgydF4y2BaggydF4y2Ba)是过冷液体的原子在低于该温度时暂时冻结而不结晶的温度。换句话说，TgydF4y2BaggydF4y2Ba是玻璃在低于该温度时变成坚硬的非晶体材料的温度。了解TgydF4y2BaggydF4y2Ba科学家和工程师可以计划在什么温度下进行重要的玻璃制造过程，比如退火和热回火(消除内应力的过程)，以及如何避免意外的失晶(玻璃结晶)。gydF4y2Ba
因为知道一个杯子是TgydF4y2BaggydF4y2Ba这让科学家们对玻璃在玻璃制造过程中的行为有了一个概念gydF4y2BaggydF4y2Ba是测试新玻璃成分的重要的第一步。然而，找到TgydF4y2BaggydF4y2Ba实验可能是一个昂贵和耗时的过程。gydF4y2Ba
科学家们主要使用“烹饪和观察”的方法来寻找TgydF4y2BaggydF4y2Ba这意味着他们制造玻璃是为了找到TgydF4y2BaggydF4y2Ba．如果有办法预测TgydF4y2BaggydF4y2Ba无需实际制造玻璃，开发新的玻璃成分可以节省时间和金钱。当前的gydF4y2Ba理论gydF4y2Ba工具gydF4y2Ba，然而，只预测TgydF4y2BaggydF4y2Ba对于简单的组合物，通常包含少于五种不同的成分。商业上重要的成分有更多的成分，也更复杂。一个软件可以设计成处理五个以上的组件吗?最近，美国联邦大学São Carlos的研究人员开发了这样一个软件gydF4y2Ba文章gydF4y2Ba，使用一种特定形式的机器学习。gydF4y2Ba
ACerS材料科学与工程研究员和教授gydF4y2Ba埃德加南美洲ZanottogydF4y2Ba和他的合著者Daniel R. Cassar和André C.P.L.F. de Carvalho在UFSCar使用gydF4y2Ba人工神经网络gydF4y2Ba(ANNs)来预测TgydF4y2BaggydF4y2Ba含有3到21种元素的氧化物玻璃。人工神经网络是一种基于生物神经网络的结构和功能的机器学习方法gydF4y2Ba使用过gydF4y2Ba在材料科学中预测聚合物的动力学和力学性能。然而，在氧化物玻璃领域，扎诺托只指出了两种gydF4y2Ba发表gydF4y2Ba研究gydF4y2Ba使用人工神经网络来预测性能。gydF4y2Ba
以前的氧化物研究使用ann训练他们的模型在小数据集，使用gydF4y2Ba31gydF4y2Ba和gydF4y2Ba299gydF4y2Ba分别的例子。在目前的研究中，扎诺托和他的合著者用一个包含55150个例子的数据集训练他们的神经网络模型。gydF4y2Ba
经过训练的神经网络正确地预测了发表的TgydF4y2BaggydF4y2Ba值的准确度为95%，误差小于±9%;此外，90%的数据预测相对偏差小于±6%。扎诺托和他的合著者还在训练数据集中不包括的大约5000个成分上测试了人工神经网络，得到了相似的准确性结果。gydF4y2Ba
虽然预测的不确定度不依赖于玻璃成分中的元素数量，但对于高T的玻璃，其不确定度更大gydF4y2BaggydF4y2Ba(大于1,250 K)，因为只有不到0.2%的数据集是高t的gydF4y2BaggydF4y2Ba眼镜。gydF4y2Ba
“目前，我们正在测试其他类型的预测器，以检查它们是否能比人工神经网络在这些高t和低t的特殊情况下做得更好gydF4y2BaggydF4y2Ba扎诺托在电子邮件中说。“最后，一个优化的算法应该能预测高tgydF4y2BaggydF4y2Ba眼镜组合具有更紧密的性能。”gydF4y2Ba
扎诺托说，他们将使用现有的算法和数据集推出一个免费的人工神经网络测试版，但其他更强大的软件正在开发中。“(这个软件)将允许玻璃行业预测TgydF4y2BaggydF4y2Ba从未制造过的氧化玻璃成分，”扎诺托说。gydF4y2Ba
扎诺托说，未来他们计划利用人工神经网络做更多的研究。“我们正在培训和测试其他ann的无机玻璃成型机的其他三个重要物理性能:gydF4y2Ba液相线温度gydF4y2Ba，gydF4y2Ba弹性模量gydF4y2Ba,gydF4y2Ba折射率gydF4y2Ba”,Zanotto说。gydF4y2Ba
这篇论文发表在gydF4y2BaActa MaterialiagydF4y2Ba,是“gydF4y2Ba用神经网络预测玻璃转变温度gydF4y2Ba”(DOI: 10.1016 / j.actamat.2018.08.022)。gydF4y2Ba
更新11/20/2018:1)玻璃的定义已更新为“刚性，非结晶材料”;2) ANN测试的数据集中未包含的成分数量已修正至约5000个;3)埃德加·扎诺托的合著者的名字也包括在内gydF4y2Ba