相关实验视频
Updated: Jun 25, 2026
07:23
Construction and Testing of Coin Cells of Lithium Ion Batteries
Published on: August 2, 2012
31.8K
硫电池的阴极材料的机器学习辅助设计来自金属有机框架的硫电池
Seoyeah Oh1, Kyeom Choi1, Jihyeon Park1
1School of Integrated Technology, College of Computing, Yonsei University, 85 Songdogwahak-ro, Yeonsu-gu, Incheon, 21983, Republic of Korea. jiwon.kim@yonsei.ac.kr.
Materials horizons
|August 8, 2025
概括
机器学习加速了硫电池阴极的发现. 粒子群的优化确定了最佳的前体,导致合成的硫宿主材料具有高容量保留,匹配预测.
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
- 计算化学计算化学
背景情况:
- 开发用于硫 (Li-S) 电池的先进阴极材料是必不可少的,但由于耗时的传统方法而受到阻碍.
- 材料设计的试错方法是低效的,资源密集的.
研究的目的:
- 通过机器学习 (ML) 加快用于Li-S电池的阴极材料的发现和反向设计.
- 通过实验合成和性能测试来验证ML预测.
主要方法:
- 使用 ML 进行特征分析,数据增强和粒子群优化 (PSO) 进行向后预测.
- 使用XGBoost进行容量保留的预测建模.
- 合成了一种Ti/Zn-ZIFMOF,并将其碳化,以创建添加碳硫宿主 (NC-Ti).
主要成果:
- 在预测容量保留方面,XGBoost模型实现了高准确性 (R2 = 0.8345,MAE = 4.48%).
- 公共服务局确定了 (Ti) 和2-甲基利米达 (2-MeIM) 是最佳的MOF前体.
- 合成的S@NC-Ti表现出强大的容量保留,与ML预测保持一致;前预测准确率在12%的误差范围内.
结论:
- 基于ML的反向设计显著加速了Li-S电池的阴极材料的开发.
- 机器学习预测和实验验证的结合为新材料发现提供了一个强大的策略.
- 合成的NC-Ti材料显示出作为先进的Li-S电池的高效硫宿主具有前途.
更多相关视频
10:03Characterization of Electrode Materials for Lithium Ion and Sodium Ion Batteries Using Synchrotron Radiation Techniques
Published on: November 11, 2013
25.6K
06:53Author Spotlight: Magnetometric Characterization of Intermediates in the Solid-State Electrochemistry of Redox-Active Metal-Organic Frameworks
Published on: June 9, 2023
2.1K
