基于实用性考虑，李永莱加立电力普当贝PadGO可实现多达4种旋转角度，垂直旋转角度为±90°，俯角为25°，仰角为30°，可垂直升降±20cm。

发现极性无机材料有更大的带隙能（图3-3），快设所预测的热机械性能与实验和计算的数据基本吻合（图3-4）。遍服机器学习分类及对应部分算法如图2-2所示。

根据机器学习训练集是否有对应的标识可以分为监督学习、李永莱加立电力普无监督学习、半监督学习以及强化学习。3.1材料结构、快设相变及缺陷的分析2017年6月，快设Isayev[4]等人将AFLOW库和结构-性能描述符联系起来建立数据库，利用机器学习算法对成千上万种无机材料进行预测。利用k-均值聚类算法，遍服根据凹陷中心与红线的距离，对磁滞回线的转变过程进行分类。

李永莱加立电力普（e）分层域结构的横截面的示意图。文章详细介绍了机器学习在指导化学合成、快设辅助多维材料表征、快设获取新材料设计方法等方面的重要作用，并表示新一代的计算机科学，会对材料科学产生变革性的作用。

根据Tc是高于还是低于10K，遍服将材料分为两类，构建非参数随机森林分类模型预测超导体的类别。

实验过程中，李永莱加立电力普研究人员往往达不到自己的实验预期，而产生了很多不理想的数据。电容式气体传感器具有结构简单、快设检测灵敏度高、易于实现小型化等特点，因而受到研究者的广泛青睐。

遍服ZhenyuZhai,XiulingZhang,JiaonaWang*,HuiyuLi,YaxinSun,XiaokeHao,YueQin,BenNiu,CongjuLi* WashableandFlexibleGasSensorBasedonUiO-66-NH2 NanofibersMembraneforHighlyDetectingSO2. ChemicalEngineeringJournal,DOI:https://doi.org/10.1016/j.cej.2021.131720本文由作者投稿。总之，李永莱加立电力普这项工作通过原位构筑的方式将MOFs颗粒均匀的生长到纳米纤维膜的表面，李永莱加立电力普并首次将其应用于电容式气体传感器，对于柔性气体传感器的研究具有重要借鉴意义。

快设（c）弯曲对传感性能的影响。然而目前MOFs材料应用于气体传感器主要是通过与其他基底材料进行多层复合（如将MOFs颗粒喷涂到铜板基底上），遍服这样极大的增加了传感器的制备工艺过程。