从文献中获得的迁移障碍的数据集,用于量化电池材料中的离子运输
Reshma Devi1, Avaneesh Balasubramanian1,2, Keith T Butler3
1Department of Materials Engineering, Indian Institute of Science, Bengaluru, 560012, Karnataka, India.
Scientific data
|December 5, 2025
概括
这项研究为电池材料提供了621个离子迁移障碍 (Em) 的数据集. 这些数据有助于开发机器学习模型,以加快新电极和固体电解质的发现.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学的计算化学
- 电化学 电化学 电化学
背景情况:
- 电池性能依赖于离子迁移障碍 (Em),这些障碍很难确定.
- 准确的机器学习 (ML) 模型用于预测Em需要高质量的数据集.
- 加快新型电池材料的发现需要可靠的Em数据.
研究的目的:
- 编制一套全面的文献报告的离子迁移障碍的数据集 (Em).
- 促进机器学习模型的开发,用于预测Em.
- 为了加速发明先进的电极和固体电解质材料用于电池.
主要方法:
- 从文献中收集了621个不同的Em值.
- 利用密度函数理论 (DFT) 基于拉伸弹性带计算.
- 组织了443个组成和27个结构组的数据.
主要成果:
- 一个数据集,包含了各种电池电极和固体电解质化合物的621个Em值.
- 包括每个化合物的结构信息和离子迁移途径.
- 数据提供在可访问的 .xlsx 和 JSON 格式.
结论:
- 数据集是科学界的重要资源.
- 能够开发精确的ML模型来预测Em.
- 促进加速发现高性能电池材料.
更多相关视频
11:04Synthesis of Ionic Liquid Based Electrolytes, Assembly of Li-ion Batteries, and Measurements of Performance at High Temperature
Published on: December 20, 2016
13.4K
11:25Identification and Quantification of Decomposition Mechanisms in Lithium-Ion Batteries; Input to Heat Flow Simulation for Modeling Thermal Runaway
Published on: March 7, 2022
5.2K
