بهينه سازي پارامترهاي رشد نانولوله هاي كربني بر زيرلايه توسط شبكه عصبي مورد استفاده در نمايشگرهاي نشر ميدان با استفاده از روش رسوب بخار شيميايي حرارتي

Optimizing of Carbon Nanotubes Growth Parameters on Substrate by Neural Network Utilizing in Fields Emission Display Synthesized with Thermal Chemical Vapor Deposition

با توجه به اهميت بالاي نانولولههاي كربني و كاربرد گسترده اين مواد در صنايع و زمينه‌هاي مختلف،‏ روش‌هاي توليد و پارامترهاي مختلف تاثيرگذار مي‌تواند در خواص نانولوله‌هاي توليدي بسيار چشم‌گير باشد در اين مقاله براي اولين بار،‏ با استفاده از شبكه عصبي به بررسي پارامترهاي تاثيرگذار (با توجيه اقتصادي و صنعتي) در روش رسوب بخار شيميايي حرارتي بر مشخصات نانولوله كربني چندجداره پرداخته شد. بدين صورت كه پارامترهاي دما و زمان عمليات آنيل،‏ ضخامت كاتاليست،‏ دما و زمان رشد و دبي گاز هيدروكربن به عنوان پارامترهاي ورودي شبكه عصبي و دو پارامتر قطر و طول نانولوله‌ها به عنوان خروجي شبكه عصبي در نظر گرفته شده است. پس از انجام آزمون‌هاي تجربي،‏ نتايج پيش‌بيني به مقادير در شرايط واقعي (تجربي) بسيار نزديك بود. مقدار خطا براي قطر و طول به ترتيب تقريباً برابر 5‎/5 و 8‎/7 درصد بود. اندازه‌گيري خاصيت نشر ميداني،‏ چگالي جريان مطلوبي را در ولتاژ 8-5 ولت نشان داد. در نهايت با استفاده از شبكه مدل شده براي تخمين قطر و طول نانولوله‌ها،‏ مي‌توان دفعات تكرار سيستم را به نحو مطلوبي كاهش داد.

Regarding to extraordinary significance and application of carbon nanotubes in different industries, producing methods and effective parameters could alternate the diverse carbon nanotubes properties. In this study for the first time, the influential parameters (with economic and industry concept) manipulating the properties of multi-wall carbon nanotubes are investigated by neural network grown by thermal chemical vapor deposition. The six growth parameters which were catalyst thickness, pressure of acetylene gas, temperature and time of pre-treatment and growth were used as input data for the determination of the CNT’s diameter and length. Experimental evaluation showed near coalescence relation between simulation data and operating outcomes. The error level for diameter and length was 5.5% and 7.8%, respectively. Measuring of field emission property demonstrated ideal current density at 5-8 applied voltage. Consequently, using of the network model for determining of diameter and length of carbon nanotubes could decrease the test repetitions in an appropriate matter.