Details

Данная работа посвящена разработке предсказательной системы, ориентированной на анализ и прогноз температуры стеклования неорганических стекол по их химическому составу. Основной целью исследования стало создание цифрового инструмента, способного заменить закрытые базы данных и обеспечить поддержку научных и инженерных задач в области материаловедения. Задачи, решённые в ходе выполнения работы: 1. Проведён обзор современных методов прогнозирования температуры стеклования и существующих цифровых платформ (SciGlass, Interglad, Materials Project, PubChem); 2. Исследованы и реализованы алгоритмы машинного обучения: KNN, Random Forest, Gradient Boosting, XGBoost и MLP; 3. Выполнен подбор гиперпараметров и оценка качества моделей по метрикам R2 и RMSE; 4. Проведена интерпретация предсказаний с использованием метода SHAP; 5. Реализована полнофункциональная клиент-серверная платформа с веб-интерфейсом, базой данных и микросервисом предсказания. В результате работы была достигнута высокая точность предсказания температуры стеклования (MLP: R2 = 0.970, RMSE = 22 K). Разработанная система продемонстрировала превосходство по сравнению с существующими решениями как по функциональности, так и по интеллектуальной составляющей. Платформа может быть использована в научных исследованиях, образовательных целях и при проектировании новых стекольных материалов.

This thesis is devoted to the development of a predictive platform focused on the analysis and estimation of the glass transition temperature (Tg) of inorganic glasses based on their chemical composition. The primary objective of the research was to create a digital tool capable of replacing proprietary databases and supporting scientific and engineering tasks in glass science. The following tasks were addressed during the research: 1. An overview of modern methods for Tg prediction and existing platforms (SciGlass, Interglad, Materials Project, PubChem) was conducted; 2. Machine learning models were selected and implemented: KNN, Random Forest, Gradient Boosting, XGBoost, and MLP; 3. Hyperparameter tuning and performance evaluation were performed using R2 and RMSE metrics; 4. Interpretation of model predictions was carried out using SHAP values; 5. A full-featured client-server platform was developed, including a web interface, database, and prediction microservice. As a result, a high-accuracy Tg prediction model was obtained (MLP: R2 = 0.970, RMSE = 22 K). The developed system demonstrated advantages over existing solutions in both functionality and predictive quality. The platform can be applied in research, education, and the design of new glass materials.

• ВВЕДЕНИЕ
• ГЛАВА 1. ОБЗОР ЛИТЕРАТУРЫ
  • 1.1. Физико-химическая природа процесса стеклования
  • 1.2 Методы определения температуры стеклование
    • 1.2.1 Методы экспериментального определения температуры стеклования
    • 1.2.2 Использование методов машинного обучения
      • 1.2.2.1 Алгоритмы на основе случайного леса и бустинга на больших выборках
      • 1.2.2.2 Анализ точности предсказаний и интерпретации моделей на основе ансамблевых методов
    • 1.2.3 Нейронные сети
      • 1.2.3.1 Использование нейронных сетей для повышения обобщающей способности моделей
      • 1.2.3.2 Применение GlassNet для оценки стабильности и способности к стеклообразованию
    • 1.2.4 Сравнительный анализ существующих подходов
  • 1.3 Обзор существующих цифровых платформ для анализа состава и свойств стекол
    • 1.3.1 Десктопное программное обеспечение SciGlass
    • 1.3.2 Десктопное программное обеспечение Interglad
    • 1.3.3 Платформа Materials Project
    • 1.3.4 Базы данных общего назначения: PubChem и аналоги
    • 1.3.5 Выводы
  • 1.4 Постановка задачи
• ГЛАВА 2. КОНЦЕПЦИЯ
  • 2.1 Исходные данные
  • 2.2 Оценка и выбор модели
  • 2.3 Обзор моделей
    • 2.3.1 KNeighborsRegressor
    • 2.3.2 RandomForestRegressor
    • 2.3.3 GradientBoostingRegressor
    • 2.3.4 XGBRegressor
    • 2.3.5 MLPRegressor
  • 2.4 Архитектура системы
• ГЛАВА 3. РЕАЛИЗАЦИЯ
  • 3.1 Выбор и обучение модели прогнозирования
    • 3.1.1 Подготовка и нормализация данных
    • 3.1.2 Методика оценки качества моделей
    • 3.1.3 Поиск и настройка гиперпараметров моделей
      • 3.1.3.1 Модель ближайших соседей (KNeighborsRegressor)
      • 3.1.3.1 Модель случайного леса (RandomForestRegressor)
      • 3.1.4.3 Модель градиентного бустинга (GradientBoostingRegressor)
      • 3.1.4.4 Модель градиентного бустинга на деревьях с регуляризацией (XGBRegressor)
      • 3.1.4.5 Модель многослойного перцептрона (MLP)
  • 3.2 Реализация платформы по предсказанию температуры стеклования
    • 3.2.1 Технологический стек
    • 3.2.2 Клиентская часть
    • 3.2.3 Серверная часть
    • 3.2.5 База данных
• ГЛАВА 4. ОЦЕНКА РЕЗУЛЬТАТОВ
  • 4.1 Анализ качества предсказаний модели
    • 4.1.1 Сравнение с результатами существующих исследований
    • 4.1.2 Сравнение точности моделей
    • 4.1.3 Интерпретация результатов предсказания (SHAP-анализ)
  • 4.2 Сравнительный анализ реализованной платформы
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПЛЬЗОВАННЫХ ИСТОЧНИКОВ
• ПРИЛОЖЕНИЕ