Prediction of the Melting Points of Double Halides

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The atmospheric pressure melting points of binary halides ABHal3, ABHal4, A2BHal4, A2BHal5, and A3BHal6 (A and B are various elements; Hal = F, Cl, Br, or I) were predicted. Calculations were made using our developed system of machine learning. Computer models were searched by analyzing information on the already known melting points of halides. The unknown melting points of the halides were predicted using only the values of the properties of the elements A, B, and Hal. It was shown that the programs based on the methodology of ensembles of machine learning algorithms make the most accurate estimates of melting points (the mean absolute errors determined by the cross-validation method in the leave-one-out cross validation mode were in the range of 29–52 K, depending on the halide composition and the chosen algorithm). The coefficient of multiple determination for the models used for prediction was no lower than 0.7.

About the authors

N. N. Kiseleva

Baikov Institute of Metallurgy and Materials Science

Email: kis@imet.ac.ru
Russian Federation, Moscow, 119334

V. A. Dudarev

Baikov Institute of Metallurgy and Materials Science, Russian Academy of Sciences

Email: kis@imet.ac.ru
119334, Moscow, Russia

A. V. Stolyarenko

Baikov Institute of Metallurgy and Materials Science, Russian Academy of Sciences

Email: kis@imet.ac.ru
119334, Moscow, Russia

A. A. Dokukin

Baikov Institute of Metallurgy and Materials Science, Russian Academy of Sciences; Federal Research Center “Informatics and Control,” Russian Academy of Sciences

Email: kis@imet.ac.ru
119334, Moscow, Russia; 119333, Moscow, Russia

O. V. Sen’ko

Federal Research Center “Informatics and Control,” Russian Academy of Sciences

Email: kis@imet.ac.ru
119333, Moscow, Russia

Yu. O. Kuznetsova

Baikov Institute of Metallurgy and Materials Science, Russian Academy of Sciences

Author for correspondence.
Email: kis@imet.ac.ru
119334, Moscow, Russia

References

  1. Lindemann F.A. // Phys. Z. 1910. Bd. 11. S. 609.
  2. Ross M. // Phys. Rev. 1969. V. 184. № 1. P. 233. https://doi.org/10.1103/PhysRev.184.233
  3. Stacey F.D., Irvine R.D. // Aust. J. Phys. 1977. V. 30. № 6. P. 631. https://doi.org/10.1071/PH770631
  4. Boyer L.L. // Phase Transitions. 1985. V. 5. № 1. P. 1. https://doi.org/10.1080/01411598508219144
  5. Owens F.J. // Phase Transitions. 2018. V. 91. № 5. P. 503. https://doi.org/10.1080/01411594.2018.1432052
  6. Hong Q.-J., van de Walle A. // Phys. Rev. B: Condens. Matter. 2015. V. 92. № 2. P. 020104. https://doi.org/10.1103/PhysRevB.92.020104
  7. Andrievskii R.A., Strel’nikova № S., Poltoratskii N.I. et al. // Soviet Powder Metallurgy and Metal Ceramics. 1967. V. 6. № 1. P. 65. https://doi.org/10.1007/BF00773385
  8. Савицкий Е.М., Грибуля В.Б. // Структура и свойства жаропрочных металлических материалов. М.: Наука, 1973. С. 3.
  9. Pedregosa F., Varoquaux G., Gramfort A. et al. // J. Machine Learning Res. 2011. V. 12 (Oct.). P. 2825.
  10. Сайт проекта R: https://www.r-project.org/ (visited on 10.11.2022)
  11. Dudarev V.A., Kiselyova N.N., Stolyarenko A.V. et al. // CEUR Workshop Proceedings (CEUR-WS.org), v. 2790. Supplementary Proceedings of the XXII International Conference on Data Analytics and Management in Data Intensive Domains (DAMDID/RCDL 2020). P. 89. http://ceur-ws.org/Vol-2790/paper09.pdf
  12. Saad Y., Gao D., Ngo T. et al. // Phys. Rev. B.: Condens. Matter. 2012. V. 85. № 10. P. 104104. https://doi.org/10.1103/PhysRevB.85.104104
  13. Pilania G., Gubernatis J.E., Lookman T. // Phys. Rev. B: Condens. Matter. 2015. V. 91. № 21. P. 214302. https://doi.org/10.1103/PhysRevB.91.214302
  14. Zhang Z., Peng R., Chen N. // Mater. Sci. Eng., B. 1998. V. 54. № 3. P. 149. https://doi.org/10.1016/S0921-5107(98)00157-3
  15. Seko A., Maekawa T., Tsuda K., Tanaka I. // Phys. Rev. B: Condens. Matter. 2014. V. 89. № 5. P. 054303. https://doi.org/10.1103/PhysRevB.89.054303
  16. Chen N., Li C., Yao S., Wang X. // J. Alloys Compd. 1996. V. 234. № 1–2. P. 130. https://doi.org/10.1016/0925-8388(95)01963-4
  17. Yan L.-M., Zhan Q.-B., Qin P., Chen N.-Y. // J. Rare Earths. 1994. V. 12. № 2. P. 102.
  18. Seko A., Hayashi H., Nakayama K. et al. // Phys. Rev. B: Condens. Matter. 2017. V. 99. № 14. P. 144110. https://doi.org/10.1103/PhysRevB.95.144110
  19. Gu T., Lu W., Bao X., Chen N. // Solid State Sci. 2006. V. 8. № 2. P. 129. https://doi.org/10.1016/j.solidstatesciences.2005.10.01
  20. Киселева Н.Н. // Журн. неорган. химии. 2014. Т. 59. № 5. С. 665. https://doi.org/10.7868/S0044457X14050110
  21. Киселева Н.Н., Столяренко А.В., Рязанов В.В. и др. // Журн. неорган. химии. 2014. Т. 59. № 12. С. 1709. https://doi.org/10.7868/S0044457X1412010
  22. БД “Elements”: https://phase.imet-db.ru/elements (visited on 10.11.2022).
  23. БД “Фaзы”: https://phase.imet-db.ru (visited on 10.11.2022).
  24. Сенько О.В., Докукин А.А., Киселева Н.Н., Хомутов Н.Ю. // Доклады Академии наук. 2018. Т. 479. № 1. С. 11. https://doi.org/10.7868/S086956521801-0016
  25. Журавлев Ю.И., Сенько О.В., Докукин А.А. и др. // Доклады Академии наук. 2021. Т. 499. С. 63. https://doi.org/10.31857/S2686954321040172
  26. Ващенко Е.А., Витушко М.А., Дударев В.А. и др. // Информационные процессы. 2019. Т. 19. № 4. С. 415.
  27. Киселева Н.Н., Дударев В.А., Столяренко А.В. и др. // Перспективные материалы. 2021. № 9. С. 1. https://doi.org/10.30791/1028-978X-2021-9-5-23
  28. Kiselyova N.N., Stolyarenko A.V., Ryazanov V.V. et al. // Pattern Recognition and Image Analysis. 2011. V. 21. № 1. P. 88. https://doi.org/10.1134/S1054661811010081
  29. Коршунов Б.Г., Сафонов В.В., Дробот Д.В. Фазовые равновесия в галогенидных системах. Справочник. М.: Металлургия, 1979. 182 с.
  30. Коршунов Б.Г., Сафонов В.В. Галогениды. Диаграммы плавкости. Справочник. М.: Металлургия, 1991. 288 с.
  31. Медведев В.А., Бергман Г.А., Васильев В.П. и др. Термические константы веществ / Под ред. Глушко В.П. Вып. IX (Be, Mg, Ca, Sr, Ba, Ra). М.: Изд-во АН СССР, 1979. 574 с.
  32. Посыпайко В.И., Алексеева Е.А., Васина Н.А. и др. Диаграммы плавкости солевых систем. Справочник. М.: Металлургия, 1977. Ч. I. 416 с. Ч. II. 304 с.
  33. Медведев В.А., Бергман Г.А., Васильев В.П. и др. Термические константы веществ. Вып. X (Li, Na, K, Rb, Cs, Fr). Ч. 2. Таблицы принятых значений: K, Rb, Cs, Fr. М.: Изд-во АН СССР, 1981. Ч. 1. 299 с. Ч. 2. 441 с.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2.

Download (130KB)
Indexing metadata
3.

Download (156KB)
Indexing metadata
4.

Download (139KB)
Indexing metadata
5.

Download (130KB)
Indexing metadata
6.

Download (128KB)
Indexing metadata

Copyright (c) 2023 Н.Н. Киселёва, В.А. Дударев, А.В. Столяренко, А.А. Докукин, О.В. Сенько, Ю.О. Кузнецова

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».