基于机器学习探索钙钛矿材料及其应用

经过大半个世纪的算法模型积累,以数据科学为基础的机器学习方法,已经可以适配多项学科的研究需求。在理论与实验积累的数据基础上,机器学习紧跟各个领域的研究潮流,推动数据密集型科学研究的发展,使其成为继“理论”、“计算”、“实验”后引领科学研究的“第四范式”。在材料科学领域,钙钛矿材料具有构成丰富、带隙可调、发展空间广阔等优势,但还未在其适用领域内达到环境友好等实用标准。因而基于机器学习探索钙钛矿材料及其应用,不仅可以加速新型钙钛矿材料的发现,而且可以探究钙钛矿材料种种优异性能与其物理化学特征之间的关联,为发展环境友好型高性能钙钛矿器件提供指导。在此总结了机器学习结合钙钛矿材料的研究优势与研究流程,综述了机器学习在钙钛矿材料性质与器件探索方面的研究进展,探讨了当下面临的研究困境和挑战,展望了未来的研究方向和发展趋势。     

材料领域知识嵌入的机器学习

数据驱动的机器学习因其能够快速拟合历史数据中的潜在模式并实现材料性能的精准预测,已被广泛应用于材料性能优化和新材料设计.然而,由于缺乏描述符间关联关系、材料性能驱动机制等材料领域知识的指导,数据驱动的机器学习在实际应用中常常出现与材料基础理论认知或原理不一致的结果.本工作通过分析材料数据的特点和数据驱动的机器学习建模原...     

锂离子电池正极材料库的设计

应用组合化学方法 ,建立了一个由 6 6种化合物组成的锂离子电池正极材料的三角形分子库 ;采用高温固相平行合成了分子库中所有材料 ,并对它们的电化学特性进行了研究     

基于机器学习设计和制备高熵氮化物陶瓷

高熵陶瓷作为一种新兴的陶瓷材料自问世起就成为陶瓷领域的研究热点,然而,其巨大的成分设计空间也为基于实验和“试错法”的组分设计带来了挑战。近年来,通过机器学习与实验探索相结合的方式为这一问题的解决带来新方法。基于此,本研究建立了4个机器学习模型,通过训练评估选出性能最好的梯度提升决策树模型(R²=0.92)并用于预测,然后通过实验成功合成了单相的(Ti_0.2V_0.2Zr_0.2Nb_0.2Hf_0.2)N高熵氮化物陶瓷,验证了模型的准确性,为高熵氮化物陶瓷的设计提供了新思路,加快了新体系的发现。     

基于机器学习的二氧化碳电化学还原制备甲酸盐研究

系统研究了不同双金属中心催化剂催化二氧化碳电化学还原制备甲酸盐。借助机器学习,确定了反应中心金属原子序数、电负性和电离能等特征对双金属中心催化剂表面二氧化碳还原具有主要的影响。基于这些特征,通过高通量机器学习快速预测了105种双金属中心催化剂二氧化碳电还原制甲酸盐及其主要竞争反应的Gibbs自由能变,筛选出29种双金属中心催化剂更倾向于二氧化碳还原得到甲酸盐,是潜在的转化二氧化碳为甲酸盐的高性能催化材料。运用类似的方法预测了105种双金属中心催化剂表面二氧化碳还原中间体的结构,发现中间体吸附能与其吸附构型具有显著的相关关系。     

锂离子电池负极材料中国专利分析

通过对中国发明专利数据进行挖掘和计量分析,总结了锂离子电池负极材料的专利申请情况、行业发展现状、地域分布及重点创新主体的专利技术布局。结果表明,锂离子电池负极材料经过几年的持续增长后,专利申请趋势放缓。通过对专利进行地域分析,了解到中国本土申请人和日本申请人申请了大量的专利;国内申请人主要集中在广东、上海、北京及浙江。通过分析一些重点企业申请的专利技术布局可以了解目前市场上的负极材料技术热点。     

锂离子电池Si@C复合负极材料的制备及其电化学性能研究

分别以葡萄糖和多巴胺为碳源,纳米硅颗粒为核心,通过热处理技术制备得到Si@C核壳结构的材料。利用X-射线衍射仪、扫描电镜、透射电镜和恒流充放电测试对材料的物相、微观形貌和电化学性能进行表征。结果表明:以多巴胺为碳源制备的材料具有更加完好的包覆效果,且具有更高的电化学性能。Si@C复合电极材料在0.1A/g电流密度下循环20次,放电比容量仍然有956.3mAh/g,容量保持率为61.34%。     

基于模型的锂离子电池SOC及SOH估计方法研究进展

电池管理系统是保证锂离子电池高效、安全运行的重要手段。在电池管理系统功能中,电池状态估计,特别是荷电状态（state of charge,SOC）估计和健康状态（state of health,SOH）估计至关重要。SOC/SOH不仅与全生命周期内电池安全运行直接相关,也是其他功能有效实现的必要前提。本文围绕模型类电池状态估计方法,综述了国内外在锂离子电池模型构建、SOC及SOH估计方法方面的研究进展;指出了模型类状态估计方法存在的难点和局限,提出了今后研究重点。     

基于机器学习的深海能源土降压开采沉降预测

天然气水合物开采可能诱发的海洋沉降是海洋开发必须面对的重要问题,对于降压开采条件下的深海能源土进行沉降预测显得尤为重要。在预测降压开采天然气水合物可能导致的海床沉降时,循环神经网络等预测方法由于不能充分考虑温度和孔压等不确定因素影响,因此预测精度较低、误差较大。基于机器学习提出了一种主参数优化的长短时记忆网络方法对深海能源土降压开采沉降进行预测,并同南海神狐海域降压开采天然气水合物导致海床沉降观测数据进行了比较,结果表明：模型实际测量值与预测值之间存在着较好的一致性,模型误差能够满足期望精度,可以应用于深海能源土降压开采沉降预测。     

锂离子电池负极材料纳米SnO2制备及电化学性能研究

利用溶胶-凝胶方法制备出纳米二氧化锡,并对所制备的纳米材料进行扫描电镜SEM、透射电镜TEM、粉末X射线衍射(XRD)、循环伏安(CV)以及循环性能测试.电化学性能测试表明所制备出的纳米电极材料具有较高的放电比容量,在电流密度为0.3mA/cm2、电位区间为0.05～1.2V vs.Li /Li时首次可逆放电比容量可达789mAh.g-1.     

碳包覆对动力锂离子电池正极材料电化学性能影响

概述了碳材料包覆对动力锂离子电池正极材料LiFePO4、LiNi0．5Mn1．5O4和Li[Nil／3Co1／3Mn1／3】O2电化学性能的影响,综述了不同碳源炭化后形成的碳的特性及对各种电极材料性能的影响,总结了碳包覆动力锂离子电池正极材料的发展方向。     

锂离子电池正极材料LiFePO4的电化学性能改进

引言 随着社会的进步,人们对化学电源提出了高能量、长寿命、低成本、低环境污染的要求.虽然锂离子蓄电池目前已经实现了商品化,但正极嵌锂材料结构与性能的研究,以及如何提高容量和降低成本是锂离子蓄电池进一步被开发和应用的关键.     

铌掺杂锌离子电池正极材料的制备及电化学性能研究

以高锰酸钾和乙酸锰为原料,在利用液相共沉淀法合成二氧化锰的过程中加入草酸铌溶液来合成掺有Nb的二氧化锰。通过粉末X射线衍射(XRD)、扫描电子显微镜(SEM)、透射电子显微镜(TEM)等手段对合成的二氧化锰进行表征,发现掺杂Nb能够使粉末颗粒的粒径变小,但不改变材料的结构。通过将粉末材料制成锌离子电池的正极材料并组装扣式电池进行电化学测试,发现掺杂Nb离子能够提高锌离子电池的容量,在1 A/g的电池密度下掺杂Nb离子的电池放电比容量最高达到165.3 mA·h/g,相同条件下未掺杂Nb的电池放电比容量最高为146.6 mA·h/g,并且掺杂后电池的倍率性能和循环稳定性都比较优异。     

锂离子电池硅/石墨烯负极材料的电化学性能

采用高能球磨法制备了纳米硅/石墨烯(Si@G)复合锂离子电池负极材料,并研究了高能球磨时间对Si@G复合材料成分和电化学性能的影响。X射线衍射分析结果表明:球磨40 min后,产物中出现少量电化学惰性的碳化硅。球磨20 min的Si@G复合材料具有最高的首次放电比容量(3 418 mA?h/g)和首次Coulomb效率(89%),但其充放电循环稳定性较差,放电比容量在33次充放电后即衰减为首次的80%。而球磨40 min的Si@G复合材料,充放电84次后,其容量保持率仍为80%。表明没有储锂容量的杂质相SiC虽然导致Si@G负极材料的首次充放电比容量下降,但有利于提高充放电循环稳定性。     

低硫石油焦锂离子电池负极材料的电化学性能研究

低硫石油焦用于生产锂离子电池负极材料是提高其附加值和节约资源的一个重要途径.本研究将普通石油焦经过碳化和石墨化制备出人造石墨,并将其电化学性能与针状焦进行了系统性地对比,探索其作为锂电负极材料的应用性.结果表明:仅碳化后的样品由于首次库伦效率不高(73.41％)、250次循环稳定容量偏低[202.2(mA·h)/g],...     

基于反向机器学习的调香设计方法

香精香料业务拥有数十亿美元的市场,而调香技术的发展丰富了人们的现代社会生活。提出了用于调香设计的反向机器学习模型,采用基于类导体屏蔽模型（COSMO）得到的分子表面电荷密度分布作为香精分子的结构描述符设计最终的调香产品。首先,识别香精属性并根据需求将属性转化为目标性质。然后,调节气味并建立了反向机器学习（inverse machine learning, IML）模型,其中输入变量为气味,输出变量为分子结构描述符,利用训练得到的IML模型,根据目标特性,预测出潜在产品的结构描述符。最后在指定的数据库中通过欧几里得距离法筛选出候选的调香混合物。本文还以两类调香算例为例,利用该框架进行了调香设计,并利用实验数据及气味雷达图对实验结果进行了验证。     

锂离子电池正极材料铌掺杂LiNiO2 的制备与电化学性能

为了提高LiNiO₂的电化学性能,用固相反应法制备了铌掺杂LiNiO₂材料,并用X射线衍射（XRD）分析、恒电流滴定技术（GITT）、电化学阻抗谱（EIS）等方法研究铌掺杂量对LiNiO₂的结构和性能的影响。结果表明适量的铌（Nb）掺杂可以提高LiNiO₂层状结构的有序程度,降低Li⁺/Ni²⁺混合程度,降低电荷转移阻抗,提高活性材料中锂离子的扩散系数。其中LiNi_0.99Nb_0.01O₂在0.5C循环100次的容量保持率为91.4%,5C时放电比容量为143 mA·h/g。而未掺杂铌的LiNiO₂在相同条件下的容量保持率和比容量仅为69.2%和127 mA·h/g。结果说明铌掺杂能够有效提高LiNiO₂的电化学性能。     

机器学习在热电材料领域中的应用

热电材料是环境友好型能源转换材料,涉及的体系十分多样。其性能优化是一个多参数协调的复杂问题,一直是研究者们关注的热点。虽然热电的计算模拟方法和实验方法发展迅速,但是热电材料的搜索效率仍需要进一步提高。机器学习具有计算成本低和预测速度高的优势,可以快速缩小搜索空间,加快对热电材料结构和性能优化的研究。本综述从数据类型的角度出发,介绍了热电材料中的小样本数值数据(数据量约为102),大样本数值数据(数据量大于104)及图片数据中机器学习的应用和研究进展,进一步详细地讨论了在不同的数据类型中研究热电材料的结构和性能所使用的不同的机器学习算法模型,并对其未来的发展趋势和应用方向进行了展望。