Ni(II)Pc ve CdSeS/ZnS Kuantum Nokta Katkılı Sıvı Kristal Yapıların Dielektrik Sabitinin Makine Öğrenmesi Algoritmaları ile Tahminlenmesi

Authors : Mustafa AKSOY, Gülnur ÖNSAL, Onur UĞURLU

Pages : 513-523

Doi:10.29130/dubited.1091499

View : 17 | Download : 13

Publication Date : 2023-01-31

Article Type : Research Paper

Abstract :Bu çalışmada, Niinsert ignore into journalissuearticles values(II);Pc insert ignore into journalissuearticles values(nikelinsert ignore into journalissuearticles values(II);ftalosiyanin); ve CdSeS/ZnS insert ignore into journalissuearticles values(cadmium selenide sulfide/zinc sulfide); kuantum nokta katkılı 5CB insert ignore into journalissuearticles values(4-pentyl-4′-cyanobiphenyl); nematik sıvı kristal kompozit yapıların dielektrik özellikleri ile birlikte bu özelliklerin makine öğrenmesi algoritmaları ile tahminlenmesi rapor edilmektedir. Konsantrasyon oranının dielektrik özelliklere etkilerini saptamak için 5CB nematik sıvı kristal yapıya ağırlıkça %2 ve %5 oranında Niinsert ignore into journalissuearticles values(II);Pc ve CdSeS/ZnS kuantum nokta katkılanmıştır. Numunelerin dielektrik ölçümleri, dielektrik spektroskopi yöntemi kullanılarak gerçekleştirilmiştir. Ayrıca, dielektrik sabitinin reel insert ignore into journalissuearticles values(ε^\`); ve sanal bileşenlerinin insert ignore into journalissuearticles values(ε^\`\`); tahmini için k-En Yakın Komşu, Karar Ağacı, Rastgele Orman algoritmaları kullanmış ve algoritmaların tahmin performansları karşılaştırmalı olarak incelenmiştir. Algoritmalarda girdi parametreleri frekans, voltaj ve katkı oranı; çıktı parametreleri ise, dielektrik sabitinin reel insert ignore into journalissuearticles values(ε^\`); ve sanal bileşenleri insert ignore into journalissuearticles values(ε^\`\`); olarak belirlenmiştir. Elde edilen sonuçlara göre dielektrik sabitinin en iyi tahmin performansına Rastgele Orman algoritması ile ulaşılmıştır. 
Keywords : Nematik sıvı kristal, Dielektrik özellikler, Makine öğrenmesi, Nematic liquid crystal, Dielectric properties, Machine learning