Derin öğrenme teknikleri ile nanomalzeme katkılı nematik sıvı kristal yapıların elektro-optik özelliklerinin tahminlenmesi
Yükleniyor...
Dosyalar
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İzmir Bakırçay Üniversitesi Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Sıvı kristaller, dielektrik ve elektro-optik özelliklerinden dolayı bilim ve teknolojide kapsamlı bir şekilde araştırılmaktadır. Özelliklerini geliştirmek için sıvı kristaller, metaller, metal oksit bileşikler, yarı iletken kuantum noktaları, ftalosiyanin, karbon nanotüpler, polimerler ve boyalar gibi farklı nanoparçacıklar ile katkılanmaktadır. Sıvı kristaller için önemli bir parametre olan eşik voltajı (V_th) sıvı kristal moleküllerinin yönlenmesi için gerekli olan minimum voltaj değeri olarak tanımlanır. Düşük eşik voltajı görüntü teknolojisinde önemli bir avantajdır ve elektro-optik cihaz devresinin basitleşmesini sağlamaktadır. Ayrıca düşük eşik voltajı elektro-optik cihazlar için gerekli olan güç tüketimini azaltmakta ve böylece pil ömrünü de artırmaktadır. Bu tez çalışmasında, farklı konsantrasyonlarda Çinko Oksit (ZnO) içeren 5CB (4-pentyl-4′-cyanobiphenyl) nematik sıvı kristal yapıların, elektro-optik özellikleri incelenmiş, elde edilen veriler ışığında derin öğrenme ve makine öğrenmesi algoritmaları yardımı ile elektro-optik özelliklerin tahminlenmesi amaçlanmıştır. Algoritma modelinden elde edilen tahmin sonuçları, daha sonra deneysel olarak oluşturulan kompozit yapının gerçek değerleri ile karşılaştırılarak algoritmaların tahmin başarı oranları incelenmiştir. Bu amaçla ZnO nano malzeme, 5CB nematik sıvı kristale ağırlıkça %0,5, %1, %2, %3, %4, %5 ve %10 oranlarında katkılanarak yeni kompozit yapılar oluşturulmuştur. Hazırlanan numunelerin elektro-optik özellikleri elektro-optik geçirgenlik düzeneği kullanılarak ölçülmüştür. Kompozit yapıların elektro-optik özelliklerinin tahmini için derin öğrenme ve makine öğrenmesi algoritmaları kullanılmıştır. Bu kapsamda, deneyi yapılmayan bir konsantrasyon oranında ZnO katkılı sıvı kristal kompozit yapının elektro-optik özellikleri, deneysel veri seti üzerinde %91 doğruluk oranına sahip olan ekstra ağaçlar algoritması kullanılarak tahmin edilmiştir. %0,3 ZnO katkılı 5CB sıvı kristal kompozit yapının elektro-optik özellikleri, oluşturulan model ile tahmin edilmiş ve bu konsantrasyon oranında yeni kompozit malzeme deneysel olarak oluşturularak elektro-optik ölçümleri yapılmıştır. Model tarafından tahmin edilen değerlerin, gerçek ölçüm sonuçları ile uyumlu olduğu görülmüştür. Anahtar Sözcükler: Nematik sıvı kristal; derin öğrenme, yapay zekâ; makine öğrenmesi, eşik voltaj.
Liquid crystals are extensively researched in science and technology due to their dielectric and electro-optical properties. To improve their properties, liquid crystals are doped with different nanoparticles such as metals, metal oxide compounds, semiconductor quantum dots, phthalocyanine, carbon nanotubes, polymers and dyes. The threshold voltage (V_th), which is an important parameter for liquid crystals, is defined as the minimum voltage value required for the orientation of liquid crystal molecules. The low threshold voltage is an important advantage in display technology and provides simplification of electro-optical device circuitry. In addition, the low threshold voltage reduces the power consumption required for electro-optical devices, thus increasing battery life. In this thesis, the electro-optical properties of 5CB (4-pentyl-4′-cyanobiphenyl) nematic liquid crystal structures containing Zinc Oxide (ZnO) at different concentrations were investigated, and it was aimed to predict the electro-optical properties with the help of deep learning and machine learning algorithms in the light of the obtained data. The prediction results obtained from the algorithm model were then compared with the actual values of the experimentally created composite structure and the prediction success rates of the algorithms were investigated. For this purpose, new composite structures were formed by doping ZnO nano material into 5CB nematic liquid crystal at the rates of 0.5%, 1%, 2%, 3%, 4%, 5%, 10% by weight. The optical properties of the prepared samples were measured using an optical transmittance measurement setup. Machine learning and deep learning algorithms were used to predict the electro-optical properties of composite structures. In this context, electro-optical properties of ZnO doped liquid crystal composite structure at the concentration ratio which was not experimented was predicted using the extra tree algorithm which predict has a 91% accuracy rate on the experimental data set. The electro-optical properties of the 0.3% ZnO doped 5CB liquid crystal composite structure were estimated with the model and electro-optical measurements were made by experimentally forming a new composite material at the same concentration ratio. The values predicted with the model were found to be compatible with the actual measurement results.
Liquid crystals are extensively researched in science and technology due to their dielectric and electro-optical properties. To improve their properties, liquid crystals are doped with different nanoparticles such as metals, metal oxide compounds, semiconductor quantum dots, phthalocyanine, carbon nanotubes, polymers and dyes. The threshold voltage (V_th), which is an important parameter for liquid crystals, is defined as the minimum voltage value required for the orientation of liquid crystal molecules. The low threshold voltage is an important advantage in display technology and provides simplification of electro-optical device circuitry. In addition, the low threshold voltage reduces the power consumption required for electro-optical devices, thus increasing battery life. In this thesis, the electro-optical properties of 5CB (4-pentyl-4′-cyanobiphenyl) nematic liquid crystal structures containing Zinc Oxide (ZnO) at different concentrations were investigated, and it was aimed to predict the electro-optical properties with the help of deep learning and machine learning algorithms in the light of the obtained data. The prediction results obtained from the algorithm model were then compared with the actual values of the experimentally created composite structure and the prediction success rates of the algorithms were investigated. For this purpose, new composite structures were formed by doping ZnO nano material into 5CB nematic liquid crystal at the rates of 0.5%, 1%, 2%, 3%, 4%, 5%, 10% by weight. The optical properties of the prepared samples were measured using an optical transmittance measurement setup. Machine learning and deep learning algorithms were used to predict the electro-optical properties of composite structures. In this context, electro-optical properties of ZnO doped liquid crystal composite structure at the concentration ratio which was not experimented was predicted using the extra tree algorithm which predict has a 91% accuracy rate on the experimental data set. The electro-optical properties of the 0.3% ZnO doped 5CB liquid crystal composite structure were estimated with the model and electro-optical measurements were made by experimentally forming a new composite material at the same concentration ratio. The values predicted with the model were found to be compatible with the actual measurement results.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control ; Fizik ve Fizik Mühendisliği, Nematic liquid crystal; deep learning, artificial intelligence; machine learning; threshold voltage.
