Using a Neural Network to Study the Effect of the Means of Synthesizing Exfoliated Graphite on Its Macropore Structure

A. V. Krautsou; Кравцов А. В.; O. N. Shornikova; Шорникова О. Н.; V. V. Avdeev; Авдеев В. В.

doi:10.31857/S0044453723060110

Исследование влияния метода синтеза терморасширенного графита на его макропористую структуру при помощи нейронных сетей

Авторы: Кравцов А.В.¹, Шорникова О.Н.¹, Авдеев В.В.¹
Учреждения:
1. Московский государственный университет им. М.В. Ломоносова, Химический факультет
Выпуск: Том 97, № 6 (2023)
Страницы: 821-826
Раздел: СТРОЕНИЕ ВЕЩЕСТВА И КВАНТОВАЯ ХИМИЯ
Статья получена: 15.10.2023
Статья опубликована: 01.06.2023
URL: https://ogarev-online.ru/0044-4537/article/view/136620
DOI: https://doi.org/10.31857/S0044453723060110
EDN: https://elibrary.ru/JIBFGL
ID: 136620

Цитировать

Полный текст

Открытый доступ
Доступ закрыт

Доступ предоставлен
Доступ закрыт

Только для подписчиков

Аннотация
Об авторах
Список литературы
Дополнительные файлы
Статистика

Аннотация

Интеркалированные соединения графита с различным номером ступени получены из высокоориентированного пиролитического графита, природного чешуйчатого графита и азотной кислоты химическим способом. Образцы терморасширенного графита синтезированы из интеркалированных соединений графита путем гидролиза и последующего термоудара. Изучены зависимости внутренней пористой структуры от глубины окисления графитовой матрицы и типа исходного графита путем обработки изображений сечений частиц терморасширенного графита, полученных методом сканирующей электронной микроскопии. Создан метод, основанный на глубокой сверточной нейронной сети, позволяющий значительно ускорить обработку изображений без существенной потери точности. Показана хорошая корреляция между параметрами пористой структуры терморасширенного графита и глубиной окисления, типом исходного графита.

Ключевые слова

терморасширенный графит, пористая структура, сегментация, нейронные сети

Список литературы

Chung D.D.L. // J. Mater. Sci. 2016. V. 51. P. 554. https://doi.org/10.1007/s10853-015-9284-6
Nayak S.K., Mohanty S., Nayak S.K. // High Perform. Polym. 2019. V. 32. P. 506. https://doi.org/10.1177/0954008319884616
Sorokina N.E., Redchitz A.V., Ionov S.G. et al. // J. Phys. Chem. Solids. 2006. V. 67. P. 1202. https://doi.org/10.1016/j.jpcs.2006.01.048
Inagaki M., Kang F., Toyoda M. et al. // Advanced Materials Science and Engineering of Carbon, Butterworth-Heinemann. 2014. P. 313. https://doi.org/10.1016/B978-0-12-407789-8.00014-4
Wang Z., Han E., Ke W. // Corros. Sci. 2007. V. 49. P. 2237. https://doi.org/10.1016/j.corsci.2006.10.024
Inagaki M., Suwa T. // Carbon. 2001. V. 39. P. 915. https://doi.org/10.1016/S0008-6223(00)00199-8
Inagaki M., Tashiro R., Washino Y. et al. // J. Phys. Chem. Solids. 2004. V. 65. P. 133. https://doi.org/10.1016/j.jpcs.2003.10.007
Inagaki M., Saji N., Zheng Y.-P. et al. // TANSO. 2004. V. 2004. P. 258. https://doi.org/10.7209/tanso.2004.258
Bellens S., Vandewalle P., Dewulf W. // Procedia CIRP. 2020. V. 96. P. 336. https://doi.org/10.1016/j.procir.2021.01.157
Varfolomeev I., Yakimchuk I., Safonov I. // Computers. 2019. V. 8. № 4. P. 72. https://doi.org/10.3390/computers8040072
Li X., Lai T., Wang S. et al. // 2019 IEEE Intl. Conf. Parallel Distrib. Process. with Appl. Big Data Cloud Comput. Sustain. Comput. Commun. Soc. Comput. Networking. 2019. P. 1500. https://doi.org/10.1109/ISPA-BDCloud-SustainCom-SocialCom48970.2019.00217
Kang F., Zheng Y.-P., Wang H.-N. et al. // Carbon. 2002. V. 40. № 9. P. 1575. https://doi.org/10.1016/S0008-6223(02)00023-4