Browsing by Author "BOUZATEUR Inas"

Now showing 1 - 2 of 2
  • Thumbnail Image
    ItemOpen Access
    Ab-initio and artificial intelligence based methods for materials physical properties prediction
    (University of M'sila, 2024-10-02) BOUZATEUR Inas; enca/BENNACER Hamza
    La création des nouveaux composants peu coûteux et capables de répondre aux besoins actuels et futurs devient de plus en plus cruciale en raison de la rapidité des changements industriels. Cependant, les méthodes traditionnelles de recherche rationnelle de nouveaux matériaux avec un ensemble spécifique de caractéristiques sont devenues difficiles et coûteuses en raison de l'augmentation de la complexité structurelle et fonctionnelle des matériaux. Ce constat essentiel a ouvert la voie à l'idée d'utiliser des méthodes d’intelligence artificielle dans ce domaine. La recherche présentée dans cette thèse se concentre sur deux axes fondamentaux : Le premier se concentre sur développement d'une technique intelligente de prédiction et d'identification de plusieurs propriétés des matériaux et le second sur l’utilisation de la théorie de la fonctionnelle de la densité (DFT) pour calculer et analyser le paramètre de réseaux et la bande interdite du composé Ba2BiTaS6 proposé. À cette fin, plusieurs points ont été abordés. Premièrement, nous avons proposé une structure innovante exploitant les réseaux de neurones artificiels (ANN) et l'algorithme d'optimisation par essaim de particules (PSO) pour éliminer les problèmes de minima locaux dans les modèles ANN tout en maintenant la qualité de l'ajustement. Cette approche accélère l'identification de nouveaux matériaux de chalcopyrite dans les cellules solaires photovoltaïques avec une résolution améliorée en prédisant les propriétés de la bande interdite. Le modèle comprend deux sous-systèmes parallèles : un système de prédiction conventionnel avec des données d'entraînement de basse résolution comme premier sous-système ANN, et un second sous-système de "modèle d'erreur" introduit pour aborder les préoccupations de qualité de résolution et représenter l'incertitude dans le modèle principal. De plus, nous avons présenté une analyse comparative des algorithmes d'optimisation afin de comprendre et de quantifier la performance des ANN dans la conduite du processus de recherche vers de meilleures solutions parmi toutes les solutions possibles. Des techniques efficaces basées sur ANN-PSO et la logique floue-PSO ont été utilisées pour prédire les constantes de réseau des pérovskites pseudo-cubiques et cubiques. La machine d'apprentissage extrême (ELM) a été utilisée pour prédire le paramètre de réseau des composés à double pérovskite. Enfin, nous avons utilisé la méthode FP-LAPW dans l'environnement WIEN2k, basée sur la théorie DFT, pour calculer et analyser le paramètre de réseaux et la band énergie de Ba2BiTaS6.
  • Thumbnail Image
    ItemOpen Access
    Ab-initio and artificial intelligence based methods for materials physical properties prediction
    (University of M'Sila, 2024) BOUZATEUR Inas
    Creating novel and inexpensive compounds that can meet both current and projected needs is becoming increasingly important due to the rapid speed of industrial change. However, traditional methods of rationally finding new materials with a specific set of features have grown challenging and costly because of the rise in material structural and functional complexity. This crucial fact has paved the way for the application of intelligence methods in this field. This dissertation focuses on two fundamental axes of research: The first focus on developing an intelligent prediction and identification technique for various material properties, and the second is on using the DFT theory to calculate and analyze the lattice parameter and band gap energy properties of the proposed compound, Ba2BiTaS6. To achieve this goal, we have addressed several points: First, we came up with a new model that uses artificial neural networks (ANN) and the particle swarm optimization algorithm (PSO) to get rid of problems with local minima in ANN models while keeping the quality of the fitting. By predicting the band gap properties, this method speeds up the search for new chalcopyrite materials in photovoltaic solar cells with better resolution. The model has two separate parts: an ANN sub-system that makes predictions using low-resolution training data; and an "error model" sub-system that was added to deal with resolution quality issues and show uncertainty in the primary model. Furthermore, we presented a comparative analysis of optimization algorithms to understand and quantify ANN's performance in guiding the search process towards better solutions over all feasible solutions. We used an efficient technique based on ANN-PSO and fuzzy logic-PSO to predict the lattice constants of pseudo-cubic and cubic perovskites. We predicted the lattice parameter of double perovskite compounds using the extreme learning machine (ELM). Finally, we used the FP-LAPW method in the WIEN2k environment, which is based on the DFT theory, to calculate and analyze the lattice parameter and the band gap energy properties of Ba2BiTaS6