预测离子电池性能通过表面化学分析和功能化硬碳的纹理特性使用人工智能
Walter M Warren-Vega1, Ana I Zárate-Guzmán1, Francisco Carrasco-Marín2
1Grupo de Investigación en Materiales y Fenómenos de Superficie, Departamento de Biotecnológicas y Ambientales, Universidad Autónoma de Guadalajara, Av. Patria 1201, C.P., Zapopan 45129, Mexico.
Materials (Basel, Switzerland)
|September 14, 2024
概括
机器学习使用多种材料特性准确预测离子电池性能. 这种方法优化了从葡萄皮中提取的功能硬碳阳极,以更好地储存能量.
科学领域:
- 材料科学 材料科学 材料科学
- 电化学 电化学 电化学
- 计算化学的计算化学
背景情况:
- 离子电池性能预测传统上依赖于单个电极特性,现在被认为是不够的.
- 电池性能受到多种物理和化学变量的复杂相互作用的影响,需要先进的预测模型.
研究的目的:
- 引入机器学习作为一种用于预测功能化硬碳阳极性能的创新策略.
- 为了利用葡萄皮衍生材料在离子电池中可持续的阳极开发.
主要方法:
- 使用贝叶斯规范化的三层前人工神经网络 (ANN) 的开发.
- 输入特征包括物理化学性质 (多孔性,元素分析,拉曼ID/IG比率,XPS数据),周期数和C-rate.
- 一个ANN架构包括了sigmoid和log-sigmoid跨层传输函数,每个层有10个神经元.
主要成果:
- 拟议的ANN模型实现了高预测准确性,所有测试材料的R2值超过0.99.
- 该模型有效地将各种材料特性与电池性能结果相关联.
结论:
- 机器学习,特别是ANN,为预测离子电池性能提供了一种强大而准确的方法.
- 该战略为优化材料合成和加速定制电池组件开发提供了关键的见解.
更多相关视频
07:55Elemental-sensitive Detection of the Chemistry in Batteries through Soft X-ray Absorption Spectroscopy and Resonant Inelastic X-ray Scattering
Published on: April 17, 2018
12.7K
07:20Screening of Coatings for an All-Solid-State Battery Using In Situ Transmission Electron Microscopy
Published on: January 20, 2023
2.5K
