圖4首先來看看還原處理對催化劑的數(shù)據(jù)圖，證交可以看到金屬Ni相的快速形成，證交及NiO和NiAl2O4峰的減少（分別約為Q=3?-1和Q=2.55-2.65?-1），說明NiO和NiAl2O4在還原過程中仍然存在。而NiO的分布跟ZrO2相似，易規(guī)靠近邊緣的地方，表現(xiàn)出較大的微晶尺寸。而且，模雙NiO主要分布在靠近催化劑顆粒表面的位置。

而在CeO2相在催化劑邊緣和表現(xiàn)產(chǎn)生的信號很強，創(chuàng)新但卻不是集中在催化劑顆粒中心的分布。圖3看完自然條件下的催化劑分布，新疆是時候試試催化劑在活化和再氧化的過程中變化。

圖5而最重要的再氧化步驟對比結果顯示可以從圖5中看出在催化床上中下三個位置的NiO晶粒尺寸的變化，年綠再氧化過程中的NiO表現(xiàn)出燒結的現(xiàn)象，年綠晶粒明顯向大尺寸方向移動，即使存在各種CeO2/ZrO2/CexZryO2促進保護劑，也不能阻止NiO晶粒尺寸的增加，說明在實際反應過程中還是要考慮各項條件因素對催化劑的影響。

歡迎大家到材料人宣傳科技成果并對文獻進行深入解讀，電綠投稿郵箱:[email protected].投稿以及內容合作可加編輯微信：cailiaorenVIP。根據(jù)Tc是高于還是低于10K，證交將材料分為兩類，構建非參數(shù)隨機森林分類模型預測超導體的類別。

另外7個模型為回歸模型，易規(guī)預測絕緣體材料的帶隙能（EBG），易規(guī)體積模量（BVRH），剪切模量（GVRH），徳拜溫度（θD），定壓熱容（CP），定容熱容（Cv）以及熱擴散系數(shù)（αv）。就是針對于某一特定問題，模雙建立合適的數(shù)據(jù)庫，模雙將計算機和統(tǒng)計學等學科結合在一起，建立數(shù)學模型并不斷的進行評估修正，最后獲得能夠準確預測的模型。

本文對機器學習和深度學習的算法不做過多介紹，創(chuàng)新詳細內容課參照機器學習相關書籍進行了解。圖3-11識別破壞晶格周期性的缺陷的深度卷積神經(jīng)網(wǎng)絡圖3-12由深度卷積神經(jīng)網(wǎng)絡確定的無監(jiān)督的缺陷分類圖3-13不同缺陷態(tài)之間轉移概率的分析4機器學習在材料領域的研究展望與其他領域，新疆如金融、新疆互聯(lián)網(wǎng)用戶分析、天氣預測等相比，材料科學利用機器學習算法進行預測的缺點就是材料中的數(shù)據(jù)量相對較少。