| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第11-31页 |
| 1.1 磁热效应概述 | 第11-27页 |
| 1.1.1 磁热效应的发现与热力学描述 | 第11-17页 |
| 1.1.2 磁热效应的评估与应用 | 第17-19页 |
| 1.1.3 磁热效应材料的研究概况 | 第19-27页 |
| 1.2 机器学习 | 第27-29页 |
| 1.2.1 材料基因组计划 | 第27-28页 |
| 1.2.2 机器学习概述 | 第28-29页 |
| 1.2.3 机器学习在材料科学领域的应用 | 第29页 |
| 1.3 选题内容和研究思路 | 第29-31页 |
| 第2章 实验方法及机器学习算法 | 第31-42页 |
| 2.1 材料制备 | 第31-32页 |
| 2.2 结构表征 | 第32页 |
| 2.3 磁性测量 | 第32-34页 |
| 2.4 其他测量手段 | 第34-37页 |
| 2.4.1 比热测量 | 第34-35页 |
| 2.4.2 洛伦兹透射电子显微镜 | 第35-37页 |
| 2.5 机器学习算法和建模环境 | 第37-42页 |
| 2.5.1 梯度提升回归树算法 | 第38-41页 |
| 2.5.2 机器学习建模环境 | 第41-42页 |
| 第3章 RNiSi_2和La_(1-x)MM_xFe_(11.5)Si_(1.5)C_(0.2)(MM为混合稀土)化合物的磁性与磁熵变研究 | 第42-58页 |
| 3.1 引言 | 第42-43页 |
| 3.2 实验 | 第43-44页 |
| 3.3 RNiSi_2化合物的磁性与磁熵变研究 | 第44-50页 |
| 3.3.1 RNiSi_2化合物的结构 | 第44-45页 |
| 3.3.2 RNiSi_2化合物的磁性与磁熵变 | 第45-50页 |
| 3.4 La_(1-x)MM_xFe_(11.5)Si_(1.5)C_(0.2) (MM为混合稀土)化合物的磁性与磁熵变研究 | 第50-56页 |
| 3.4.1 La_(1-x)MM_xFe_(11.5)Si_(1.5)C_(0.2)化合物的结构 | 第50-52页 |
| 3.4.2 La_(1-x)MM_xFe_(11.5)Si_(1.5)C_(0.2)化合物的磁性与磁熵变 | 第52-56页 |
| 3.5 小结 | 第56-58页 |
| 第4章 R_5Ge_3 (R=Tb,Ho,Er)化合物的磁熵变与磁畴结构研究 | 第58-74页 |
| 4.1 引言 | 第58-60页 |
| 4.2 实验 | 第60-61页 |
| 4.3 R_5Ge_3 (R=Tb,Ho,Er)化合物的磁性与磁熵变研究 | 第61-67页 |
| 4.3.1 R_5Ge_3 (R=Tb,Ho,Er)化合物的结构 | 第61-62页 |
| 4.3.2 R_5Ge_3 (R=Tb,Ho,Er)化合物的磁性与磁熵变 | 第62-67页 |
| 4.4 Tb5Ge_3化合物的磁畴结构研究 | 第67-71页 |
| 4.5 小结 | 第71-74页 |
| 第5章 磁制冷材料的机器学习研究 | 第74-90页 |
| 5.1 引言 | 第74-75页 |
| 5.2 机器学习研究流程和数据的收集与预处理 | 第75-78页 |
| 5.3 重稀土化合物的机器学习研究 | 第78-83页 |
| 5.3.1 数据集的分布 | 第78-79页 |
| 5.3.2 模型的参数选择与训练 | 第79-81页 |
| 5.3.3 模型的预测结果分析 | 第81-83页 |
| 5.4 La(FeSi/Al)_(13)基化合物的机器学习研究 | 第83-88页 |
| 5.4.1 数据集的收集 | 第84页 |
| 5.4.2 居里温度预测模型的训练与分析 | 第84-86页 |
| 5.4.3 磁熵变预测模型的训练与分析 | 第86-88页 |
| 5.5 小结 | 第88-90页 |
| 第6章 总结 | 第90-92页 |
| 参考文献 | 第92-103页 |
| 个人简历及发表文章目录 | 第103-104页 |
| 致谢 | 第104页 |
