在Ni-Co酸盐电极中的沉积层在现场优化,用于高级超级电容器的ML辅助预测验证

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
• 纳米技术纳米技术

背景情况:

• 超级电容器对于储能至关重要.
• 开发具有成本效益的电极材料至关重要.
• 泡 (NF) 为电极制造提供了坚固的基板.

研究的目的:

• 使用SILAR方法在NF上合成Ni-Co酸盐纳米颗粒.
• 评估用于超级电容器应用的合成电极材料的电化学性能.
• 评估机器学习 (ML) 模型用于预测超级电容器性能的可靠性.

主要方法:

• 连续的离子层吸附和反应 (SILAR) 用于纳米粒子合成.
• 用X射线衍射 (XRD),里埃变换红外光谱 (FT-IR),能量分散式X射线光谱 (EDS) 和X射线光电子光谱 (XPS) 来进行材料表征.
• 三电极系统用于电化学性能测试 (电容,速率能力,周期稳定性).
• 机器学习模型训练用于性能预测.

主要成果:

• 无形Ni-Co酸盐纳米颗粒通过SILAR在NF上成功合成.
• XPS分析证实了Ni2+/Ni3+和Co2+/Co3+氧化状态的存在,适合用于电荷储存.
• 电极在1 mA cm-2.2时实现了426.47 mF cm-2 (2132 F g-1) 的高面积电容.
• 证明了出色的速率能力 (在5 mA cm-2下保持76.4%),以及周期稳定性 (在5000个周期后达到77.92%).
• ML模型准确地预测了电容量 (2129 F g-1与实验中的 2132 F g-1).

结论:

• SILAR是一种有效的方法,用于制造超级电容器的高性能Ni-Co酸盐电极.
• 合成的材料表现出有前途的电化学性能,用于储能.
• 集成ML模型可以可靠地预测超级电容器的性能,帮助材料开发.