相关实验视频
Updated: Apr 13, 2026
08:01
Fabrication of 3D Carbon Microelectromechanical Systems C-MEMS
Published on: June 17, 2017
12.7K
机器学习辅助在煤炭衍生的多孔碳中孔结构的定制,以提高性能
Xingliang Ji1,2,3,4, Yajun Tian1,3,4, Jinghao Zhao1,3,4
1Key Laboratory of Photoelectric Conversion and Utilization of Solar Energy, Qingdao Institute of Bioenergy and Bioprocess Technology, Chinese Academy of Sciences, Qingdao, China.
Small (Weinheim an der Bergstrasse, Germany)
|January 14, 2026
概括
本研究引入了一种机器学习工作流程,以有效预测多孔碳材料的特性,加速发现用于储能和环境应用的材料. 该方法优化了超级电容器和吸附剂的多孔碳材料 (PCM).
科学领域:
- 材料科学 材料科学 材料科学
- 化学工程是化学工程的重要组成部分.
- 机器学习 机器学习
背景情况:
- 多孔碳材料 (PCM) 对于储能和环境修复至关重要.
- 优化PCM孔隙结构传统上依赖于耗时的经验方法.
- 需要有效的策略来为特定应用量身定制PCM.
研究的目的:
- 开发和验证机器学习辅助的工作流程,用于预测PCM孔结构参数.
- 加快高性能PCM的识别和设计.
- 证明工作流程对不同碳基材料的适用性.
主要方法:
- 开发机器学习模型,根据前体和制备参数预测特定的表面积和总孔积.
- 使用基于煤炭的活性炭 (CAC) 验证了工作流.
- 应用了工作流程来设计一个超级电容电极和甲基蓝色吸附剂.
主要成果:
- 成功建立了一个预测地图,将CAC的制备参数与孔隙结构属性联系起来.
- 设计了一种高性能超级电容电极 (491.2 F g-1 在0.1 A g-1) 和一种高效的甲蓝色吸附剂 (2196.8 mg g-1).
- 证明了工作流的适应性,以更复杂的系统,如煤炭焦油基碳材料.
结论:
- 集成的机器学习和实验验证工作流显著加速PCM优化.
- 这种方法提供了一个可转移的策略,用于为各种应用设计量身定制的多孔碳材料.
- 该研究强调了数据驱动方法在材料发现和工程中的潜力.
