气体绝缘介质CF3SO2F通常在室温和高温环境，即高压电气设备内部空间，具有稳定性。但在电力设备中出现局部放电或极高温度时，绝缘介质仍然会发生电离，电离产物与工作环境中微量水和空气反应后，还会出现一些新的稳定产物。分解将损害绝缘性能，如果处理不当，将破坏整个电力系统的稳定状态，对工业和日常生活造成严重损害。此外，某些产物气体甚至对环境和人类健康有害。气体传感器已被证明是检测可能分解气体的有效方法。过去几十年来，探索新的气体传感材料主要依赖传统而低效的实验试错方法。高精度的第一原理计算方法已被证明是预测传感性能和阐明气体传感性质的潜在机制的有价值工具，然而其高计算成本制约实际应用。基于机器学习加速的高通量筛选的新方法有望显著提高该领域的效率。有鉴于此，武汉大学郭宇铮教授和张召富研究员等人通过全面合理的特征工程、数据提取和模型训练过程，建立了最佳性能的机器学习模型，可以准确预测不同2d传感材料与目标气体分子之间的相互作用强度。这使得可以执行全面的筛选过程，找到满足相互作用强度、恢复时间、灵敏度和选择性等要求的理想气体传感材料成为现实。近日，相关论文以题为“High-ThroughputScreeningofGasSensorMaterialsforDe

转载请注明:http://www.aideyishus.com/lkjg/7389.html