# Data-driven prediction of room temperature density for multicomponent silicate-based glasses

**Authors:** Kai Gong, Elsa Olivetti  
**arXiv:** [2209.02046](https://arxiv.org/abs/2209.02046)  
**Date:** 2022-09-05  
**Summary page:** https://www.summarizepaper.com/fr/paper/2209.02046v1/

## Key points

- Les auteurs Kai Gong et Elsa Olivetti ont développé deux modèles d'apprentissage automatique (ML) : la forêt aléatoire (RF) et le réseau neuronal artificiel (ANN), pour prédire la densité des verres à température ambiante dans l'espace de composition du CMASTFNKM.
- Les modèles RF et ANN fournissent des prédictions précises de la densité des verres avec des valeurs R2, RMSE et MAPE élevées pour l'ensemble de test de 15 %.
- La densité des verres est un indicateur fiable de réactivité pour les verres CAS et volcaniques en raison de sa forte corrélation avec l'énergie moyenne de dissociation métal-oxygène.
- Le modèle ANN présente un certain niveau de transférabilité et capture des caractéristiques connues telles que les effets mixtes d'alcalino-terreux pour les verres (CaO-MgO)0.5-(Al2O3-SiO2)0.5.
- Cette recherche fournit une base solide pour prédire avec précision la densité des verres multicomposants à base de silicate, ouvrant ainsi la voie à une meilleure compréhension et utilisation de ces matériaux dans divers domaines tels que la métallurgie, la géologie et les ciments durables.
- Les auteurs Kai Gong et Elsa Olivetti ont développé deux modèles d'apprentissage automatique (ML) : la forêt aléatoire (RF) et le réseau neuronal artificiel (ANN), pour prédire la densité des verres à température ambiante dans l'espace de composition du CMASTFNKM.
- Les modèles RF et ANN fournissent des prédictions précises de la densité des verres avec des valeurs R2, RMSE et MAPE élevées pour l'ensemble de test de 15 %.
- La densité des verres est un indicateur fiable de réactivité pour les verres CAS et volcaniques en raison de sa forte corrélation avec l'énergie moyenne de dissociation métal-oxygène.
- Le modèle ANN présente un certain niveau de transfér

## Summary

Les auteurs Kai Gong et Elsa Olivetti ont développé deux modèles d'apprentissage automatique (ML), à savoir la forêt aléatoire (RF) et le réseau neuronal artificiel (ANN), pour prédire la densité des verres à température ambiante dans l'espace de composition du CaO-MgO-Al2O3-SiO2-TiO2-FeO-Fe2O3-Na2O-K2O-MnO (CMASTFNKM). En utilisant environ 2100 points de données extraits de près de 140 études littéraires, les résultats montrent que les modèles RF et ANN fournissent des prédictions précises de la densité des verres avec des valeurs R2, RMSE et MAPE d'environ 0,96 à 0,98, 0,02 à 0,03 g/cm3 et 0,59 à 0,79 % respectivement pour l'ensemble de test de 15 %. Ces prédictions sont plus précises par rapport aux modèles empiriques de densité basés sur le ratio d'empilement ionique. De plus, la densité des verres est révélée comme un indicateur fiable de réactivité pour une gamme de verres CaO-Al2O3-SiO2 (CAS) et volcaniques en raison de sa forte corrélation avec l'énergie moyenne de dissociation métal-oxygène. L'analyse des relations prédites entre la densité et la composition suggère que le modèle ANN présente un certain niveau de transférabilité et capture des caractéristiques connues telles que les effets mixtes d'alcalino-terreux pour les verres (CaO-MgO)0.5-(Al2O3-SiO2)0.5. Cette recherche fournit une base solide pour prédire avec précision la densité des verres multicomposants à base de silicate, ouvrant ainsi la voie à une meilleure compréhension et utilisation de ces matériaux dans divers domaines tels que la métallurgie, la géologie et les ciments durables.