动图,女人高潮喷水毛片免费,一本色道久久99一综合

DDSE固態電解質數據庫使用實例視頻

研究背景

全固態電池因為其安全性而備受關注，但傳導離子在固態電解質中較低的離子電導率依然是阻礙其發展的一大障礙。特別是基于二價陽離子設計的全固態電池，陽離子與陰離子之間強的庫倫引力導致陽離子更難遷移。目前，獲得高性能的固態電解質依然面臨很大的挑戰。通過數據挖掘去理解物質結構和性能之間關系是一種新的應對方式。

近日，日本東北大學（材料科學高等研究所，WPI-AIMR）李昊教授團隊構建了一個動態的全固態電池電解質的數據庫（dynamic database of solid-state electrolyte, DDSE），并對這個數據庫進行了數據挖掘，討論了固態電解質對不同價態陽離子傳導的性質和發展歷程。同時，作者基于這個數據庫使用機器學習去預測離子電導率，高的R²表明這個數據庫對研究固態電解質具有很好的潛力。值得注意的是，這個數據庫可以接受用戶的實驗數據同以往報道的材料進行性能對比，并自動分析新材料的活化能排名，基于此，這個數據庫在今后有望成為一個標準的對比庫。

圖文導讀

目前，這個動態數據庫收錄了近40年的745種材料（截至最近更新時間），其中包括基于多種一價和二價陽離子（即Li⁺, Na⁺, K⁺, Ag⁺, Ca²⁺, Mg²⁺ 和 Zn²⁺）的固態電解質材料。作者總結了材料的多種信息（如活化能，離子傳導率，相變信息，材料類別，材料報道時間和文獻來源等）。控制數據庫界面左邊的操作板可以將各種材料之間的信息可視化（如圖1所示），能夠更加清晰地反映材料結構和性質之間的關系。數據庫主頁提供了使用說明以及視頻演示，更多功能演示可以參考數據庫主頁（數據庫永久DOI：http://doi.org/10.50974/00137195；直接訪問URL: https://ssbed-ssbed-database-gui-ntj1tz.streamlit.app/）。

圖1 數據庫界面

基于這個數據庫，作者進行了數據挖掘。圖2清晰地展示了固態電解質研究隨時間逐年遞增，特別是近10年來，固態電解質的研究受到越來越多的關注。同時，作者分析了在當前數據庫中，一價和二價陽離子在各種固態電解質中的離子電導率分布。圖3展示了基于各種價態陽離子設計的固態電解質的傳導性能。所有固態電池的研究中，Li基固態電池的研究數量遠多于其它金屬固態電解質，其材料的log₁₀(σ)（σ為離子電導率）大都集中-4至-2 log₁₀(S/cm)。其次是Na基電池材料，這類材料的log₁₀(σ)主要分布在-3到-1 log₁₀(S/cm)。對于二價金屬離子，其在性能和數據總量上在整體上都明顯低于一價金屬離子。造成這個現象的可能原因是：相比于一價離子，二價離子和其抗衡離子間存在更強的庫倫引力，而這個庫倫引力會阻礙陽離子的遷移。

圖2 數據庫報告材料數量統計（截至2023年5月）

圖3 基于DDSE數據庫總結的SSE材料的陽離子電導率性能（單位：S/cm）。橫軸表示log₁₀(σ)，單位為log₁₀(S/cm)。相對數量（不帶單位）表示相應范圍內物質的數量。

最后，作者對這個數據庫中的數據進行分組（一價陽離子組、二價陽離子組、所有材料），然后分別用機器學習去描述材料的離子電導率，并使用SHapley Additive exPlanations (SHAP)模塊對特征進行了定量分析，結果如圖4所示。基于這三組數據進行機器學習建模，作者將數據按照1：4拆分成測試集和訓練集。從構造的一系列特征中，通過Pearson方法和特征重要性評估，確定了最重要的八個特征去描述不同分組材料的離子電導率。通過十折交叉驗證得到了很好R²（一價化合物，R²= 0.92；二價化合物，R²= 0.86；全部化合物，R²= 0.92）。對比SVR (support vector machine), RFR (random forest regression), 和GBR (gradient boosting regression)三種方法模型化目標，結果表明GBR方法得到的結果最優。文章中使用8個特征提高了計算速度，同時保證了模型的準確性。

圖4 采用GBR算法進行ML建模，并基于DDSE數據進行特征分析。 (a, e, i) (a) 單價、(b) 二價和 (c) 數據庫中所有材料的模型訓練集結果。(b、f、j)基于(b)單價、(b)二價和(c)數據庫中所有材料的測試集結果。(c, g, k) 基于 (c) 單價、(g)、二價和 (k) 所有材料的數據得出的特征重要性。（d，h，l）基于（d）單價，（h）二價和（l）所有數據的數據計算出特征的SHAP值（即對模型輸出的影響）

總結展望

通過數據挖掘，分析了固態電解質的發展趨勢，討論了不同導電離子的性能差異，這些結果對開發新的高性能材料具有實際指導意義。基于這個數據庫執行機器學習去預測離子的電導率可以獲得很好的R²值，表明使用數據庫去研究開發新的高性能材料是極具潛力的。另外該數據庫提供的數據比對功能，將會為實驗上合成的新材料提供性能參考。在未來，隨著數據庫中收錄材料的增加，數據庫功能的更加完善。該數據庫會為新材料的設計和開發提供更多有用的信息。

文獻信息

F. Yang, E. C. D. Santos*, X. Jia, R. Sato, K. Kisu, H. Yusuke, S. Orimo, and H. Li*, “A Dynamic Database of Solid-State Electrolyte (DDSE) Picturing All-Solid-State Batteries”,?Nano Materials Science?(IF: 9.9),?2023.

https://www.sciencedirect.com/science/article/pii/S258996512300034X

原創文章，作者：v-suan，如若轉載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2023/09/18/6d367a7ac0/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

【數據挖掘】日本東北大李昊團隊：電池固態電解質數據庫的構建及應用

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

【數據挖掘】日本東北大李昊團隊：電池固態電解質數據庫的構建及應用

相關推薦