High-Accuracy Prediction of Complex Permittivity in Ternary Composites Using Parameters Provided by Binary Systems
यह अध्ययन प्रदर्शित करता है कि एक बाइनरी-सूचित मैक्सवेल-गार्नेट मिक्सिंग-लॉ फ्रेमवर्क, जो बाइनरी PANI/PU और PANI/पैरैफिन प्रणालियों से प्राप्त निश्चित प्रभावी घटक मापदंडों का उपयोग करता है, 2–18 GHz आवृत्ति सीमा केAcross टर्नरी PANI/CIP/PU कंपोजिट के कॉम्प्लेक्स परमिटिविटी की उच्च-सटीक, कैलिब्रेशन-मुक्त भविष्यवाणी करने में सक्षम है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
रेडियो तरंगों और रडार की अदृश्य दुनिया में, सामग्रियां केवल निष्क्रिय ब्लॉक नहीं हैं; वे सक्रिय भागीदार हैं जो ऊर्जा को संचित कर सकती हैं, संकेतों को अवशोषित कर सकती हैं, या उन्हें गुजरने दे सकती हैं। यह करने की एक सामग्री की क्षमता को 'कॉम्प्लेक्स परमिटिविटी' (complex permittivity) नामक गुण द्वारा मापा जाता है। इसे एक दो-भाग वाले स्कोरकार्ड के रूप में सोचें: एक संख्या हमें बताती है कि सामग्री कितनी विद्युत ऊर्जा धारण कर सकती है, जैसे एक स्पंज पानी को सोखता है, जबकि दूसरी संख्या हमें बताती है कि उस ऊर्जा का कितना हिस्सा ऊष्मा या घर्षण के रूप में नष्ट हो जाता है। इंजीनियरों को स्टील्थ विमानों से लेकर तेज़ संचार नेटवर्क तक सब कुछ डिजाइन करने के लिए इन संख्याओं को सटीक रूप से जानने की आवश्यकता होती है। हालांकि, नई सामग्रियों के लिए इन संख्याओं की भविष्यवाणी करना अत्यंत कठिन है। जब वैज्ञानिक एक नए कंपोजिट को बनाने के लिए एक प्लास्टिक में विभिन्न पाउडर मिलाते हैं, तो परिणामी विद्युत व्यवहार सामग्रियों का एक साधारण औसत नहीं होता है। कणों के आपस में जुड़ने का तरीका, उनका आकार, और वे एक-दूसरे के साथ कैसे परस्पर क्रिया करते हैं, यह प्रभावों का एक जटिल जाल बनाता है जिसे सामग्री को पहले से बनाए और परीक्षण किए बिना गणना करना कठिन होता है। यह प्रयास-और-त्रुटि (trial-and-error) वाला दृष्टिकोण धीमा, महंगा है और अक्सर शोधकर्ताओं को इस बात पर सोचने के लिए मजबूर करता है कि कौन सा संयोजन सबसे अच्छा काम करेगा।
हारबिन इंजीनियरिंग यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने एक नया तरीका विकसित किया है जिससे बिना हर संभव संस्करण बनाए, इन विद्युत गुणों की भविष्यवाणी की जा सकती है। उन्होंने तीन घटकों के एक विशिष्ट मिश्रण पर ध्यान केंद्रित किया: एक प्रवाहकीय प्लास्टिक जिसे पॉलीनिलिन (polyaniline) कहा जाता है, एक चुंबकीय धातु पाउडर जिसे कार्बोनिल आयरन (carbonyl iron) के रूप में जाना जाता है, और एक लचीला प्लास्टिक जिसे पॉलीयुरेथेन (polyurethane) कहा जाता है। इस तीन-भाग वाले मिश्रण के व्यवहार का अनुमान शून्य से लगाने के बजाय, शोधकर्ताओं ने सरल, दो-भाग वाले मिश्रणों से सीखने की एक चतुर रणनीति का उपयोग किया। उन्होंने पहले केवल प्रवाहकीय प्लास्टिक और लचीले प्लास्टिक के मिश्रण का अध्ययन किया, और फिर केवल धातु पाउडर और लचीले प्लास्टिक के मिश्रण का। 2 से 18 गीगाहर्ट्ज़ की एक विस्तृत आवृत्ति सीमा में सरल संयोजनों के व्यवहार का सावधानीपूर्वक विश्लेषण करके, वे प्रत्येक घटक के लिए एक विश्वसनीय "फिंगरप्रिंट" निकालने में सक्षम हुए। उन्होंने यह देखने के लिए कई अलग-अलग गणितीय मॉडलों का परीक्षण किया कि कौन सा मॉडल सरल मिश्रणों के व्यवहार का सबसे अच्छा वर्णन करता है, और अंततः एक ऐसे मॉडल को चुना जिसने प्लास्टिक को एक निरंतर पृष्ठभूमि (continuous background) के रूप में माना जिसके भीतर अन्य सामग्रियां बिखरी हुई थीं। यह मॉडल इस बात का वर्णन करने के लिए सबसे स्थिर और सटीक साबित हुआ कि सामग्रियां विद्युत क्षेत्रों के प्रति कैसी प्रतिक्रिया देती हैं।
उनके तरीके की असली परीक्षा तब हुई जब उन्होंने केवल सरल दो-भाग वाले मिश्रणों से प्राप्त डेटा का उपयोग करके जटिल तीन-भाग वाले मिश्रण के व्यवहार की भविष्यवाणी करने का प्रयास किया। उन्होंने अपनी गणनाओं में कोई बदलाव नहीं किया या किसी भी संख्या को नए तीन-भाग वाले परिणामों के अनुरूप नहीं बनाया; उन्होंने बस एकत्रित गुणों को एक एकल, एकीकृत समीकरण में डाल दिया। परिणाम आश्चर्यजनक रूप से सटीक थे। जब उन्होंने अपनी भविष्यवाणियों की तुलना तीन-भाग वाले मिश्रणों के वास्तविक मापन से की, तो संख्याएं उच्च स्तर की सटीकता के साथ मेल खाती थीं। माप के ऊर्जा भंडारण वाले भाग के लिए, भविष्यवाणियां लगभग पूर्ण थीं, जो 98 प्रतिशत से ऊपर के सांख्यिकीय विश्वास स्तर के साथ वास्तविक डेटा से मेल खाती थीं। ऊर्जा हानि वाले भाग के लिए भी, मिलान बहुत मजबूत था, जिसमें केवल कुछ मामूली अपवाद थे जहां सिग्नल बहुत कमजोर था। इससे भी अधिक प्रभावशाली बात यह थी कि उन्होंने परीक्षण किया कि क्या उनके पहले प्रयोग में पाए गए प्रवाहकीय प्लास्टिक के "फिंगरप्रिंट" का उपयोग एक पूरी तरह से अलग प्लास्टिक मिश्रण में किया जा सकता है। उन्होंने लचीले प्लास्टिक को पैराफिन (paraffin) नामक मोम जैसे पदार्थ से बदल दिया और उसी पहले से मिले प्रवाहकीय प्लास्टिक गुणों का उपयोग किया। मॉडल ने बिना किसी पुन: अंशांकन (re-calibration) के इस नए मिश्रण के व्यवहार की सफलतापूर्वक भविष्यवाणी की, जिससे यह सिद्ध हुआ कि निकाले गए गुण वास्तव में सामग्री के अपने अंतर्निहित गुण थे न कि केवल उस विशिष्ट मिश्रण का परिणाम जो वे अध्ययन कर रहे थे।
यह कार्य यह प्रदर्शित करता है कि सामग्री डिजाइन में अनुमान और प्रयास-और-त्रुटि से आगे बढ़ना संभव है। सरल मिश्रणों में व्यक्तिगत सामग्रियों के व्यवहार का वर्णन करने का एक विश्वसनीय तरीका स्थापित करके, वैज्ञानिक अब उन विवरणों का उपयोग यह पूर्वानुमान लगाने के लिए कर सकते हैं कि वे समान सामग्रियां अधिक जटिल संयोजनों में कैसा प्रदर्शन करेंगी। शोधकर्ताओं ने दिखाया कि एक बार जब किसी घटक के मौलिक विद्युत चरित्र को समझ लिया जाता है, तो उसे उच्च सटीकता के साथ नए व्यंजनों (recipes) में स्थानांतरित किया जा सकता है। यह दृष्टिकोण रडार और संचार प्रणालियों के लिए उन्नत सामग्रियां डिजाइन करने के लिए एक व्यावहारिक मार्ग प्रदान करता है, जिससे इंजीनियर एक ग्राम पाउडर मिलाने से पहले ही कंप्यूटर पर सर्वोत्तम संयोजनों की जांच और चयन कर सकते हैं। यह सामग्री की खोज की प्रक्रिया को संयोग के खेल से बदलकर एक अधिक अनुमानित, निर्देशित यात्रा में बदल देता है, जिससे समय और संसाधनों की बचत होती है और अधिक परिष्कृत विद्युत चुम्बकीय डिजाइनों के द्वार खुलते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।