用机器学习引导的碳多尺度设计,以提高超级电容的性能
Hirokatsu Miyata1,2, Kosuke Manabe3, Yoshiyuki Sugahara3,4
1Department of Materials Process Engineering, Nagoya University, Furo-chou, Chikusa-ku, Nagoya 464-8601, Japan.
ACS applied materials & interfaces
|August 29, 2025
概括
机器学习确定了为超级电容器性能的关键. 研究人员在石墨烯氧化物上合成了层次的化碳纳米混合体,通过多层次的结构工程优化了能量储存.
科学领域:
- 材料科学
- 纳米技术
- 电化学
背景情况:
- 在能量储存中,对纳米材料的层次结构控制对于有效的质量和电荷传输至关重要.
- 优化超级电容电极需要先进的材料设计,以提高电容和导电性.
研究的目的:
- 设计和合成化碳混合材料,并为超级电容电极定制多尺度架构.
- 利用机器学习的洞察力来指导高性能储能材料的合理合成.
主要方法:
- 将文献数据的机器学习分析与理性合成策略结合起来.
- 在石墨烯氧化物 (GO) 纳米板上利用多巴胺和块共聚物的异质自组.
- 采用聚合和热碳化来创建中孔性,化碳结构.
主要成果:
- 在酸含量和增强电容之间发现了强烈的相关性.
- 合成的等级纳米杂交物具有原子规模的剂,半孔碳网络和可调节的宏观形态.
- 在减少的GO上实现了中孔性N-doped碳的均涂层,增加了可访问的表面积并保持了离子流动性.
结论:
- 展示了基于数据的策略,用于设计基于碳的分层材料用于储能.
- 强调机器学习和多尺度结构工程的协同潜力,以开发先进的超级电容电极.
更多相关视频
08:59Synthesizing a Gel Polymer Electrolyte for Supercapacitors, Assembling a Supercapacitor Using a Coin Cell, and Measuring Gel Electrolyte Performance
Published on: November 30, 2022
4.6K
10:57Elaborate Control of Inkjet Printer for Fabrication of Chip-based Supercapacitors
Published on: November 30, 2021
2.9K
