免费观着女人高潮视频,人妻少妇征服沉沦,适合晚上一个人看的电影有什么

第一作者：Chi Hao Liow

通訊作者：Seungbum Hong

通訊單位：韓國科學技術院（KAIST）

研究背景

鋰離子電池（LiB）是目前徹底改變便攜式電子和電動汽車行業的最重要技術之一，然而傳統開發高性能電池材料的方法通常需要長時間研究和復雜的實驗工作。因此，旨在減少人力和研究成本的機器學習（ML）引發了極大興趣，可避免愛迪生式的重復性試錯實驗。盡管ML在新材料發現方面取得了進展，但其在引導LiB電極實驗過程中的應用仍處于早期階段。ML引導的優化正極材料設計變量很少被發現，這是因為ML需要大量的數據。然而由于不同的個人經驗和特定的綜合參數，設計變量難以復制優化。

研究簡介

為此，韓國科學技術院（KAIST）Seungbum Hong等人采用逆向設計框架來預測LiNi_xCo_1-x-yMn_1-x-y-zO₂ （NCM, x+y+z=1）正極的最佳設計變量，該框架包含3個部分：1）基于統計插補完善文獻整理中的缺失數據；2）進行ML和超參數搜索以最大化泛化性；3）優化設計變量預測的實驗驗證。從逆向設計中可觀察到Ni含量、燒結溫度、截止電壓和充電倍率與LiB性能密切相關，這與之前研究一致。隨后，作者通過實驗驗證了該預測。

更重要的是，該ML模型實現了高精度預測，均方根誤差RMSE為8.17 mAh/g。這項工作展示了一種逆向設計方法，具有前所未有加速發現高能量密度正極的潛力。該成果以“Machine learning assisted synthesis of lithium-ion batteries cathode materials”為題發表于國際頂級期刊Nano Energy（IF=17.881）。

圖1. 從設計到器件流水線三個步驟的示意圖

內容詳解

要點1：數據插補

這項工作目標是為最佳NCM正極的設計變量提供高度可行的定量指南。作者建立了NCM正極的物理描述符如成分比和二次粒徑，其他因素包括影響結晶度和結構穩定性的燒結溫度和持續時間以及截止電壓、測試倍率等測量條件，這些特征描述符共同作為輸入變量，而放電容量是目標輸出。

表1. 逆向設計指導的NCM合成總結

在對輸入特征進行標準化后，作者發現415個數據中約有16% 的數據不可用。為了克服這個問題，作者利用了幾種插補模型，即k-最近鄰（KNN）、隨機森林（RF）和鏈式方程的多重插補（MICE）以“填充”缺失值。為了評估每種插補模型的可靠性，作者首先刪除了任何包含缺失/空值的數據行，從而將數據量從415減少到112。大部分缺失的信息與第一次燒結溫度和持續時間有關，其次是第二次燒結和粒度大小。

圖2. 每個特征中缺失數據的百分比及不同插補方法的比較

研究表明，KNN在三種插補方法中表現最差，原因是KNN使用k最近鄰的“特征相似度”來預測缺失值。與KNN和RF相比，MICE 產生的方差最小，已成為處理缺失數據的不二選擇。因此，作者對415個數據進行了MICE插補，以進行進一步分析和ML預測。

要點2：正向預測

作者使用Gini重要性解釋輸入變量的特征重要性，其中Ni含量和二次燒結溫度、測試倍率和截止電壓等變量是與放電容量高度相關的4個重要特征。令人驚訝的是，組分Co沒有被列為重要特征，這可能是由于2004~2019年間研究趨勢從富Co轉向富Ni成分，另一個原因是發現了高容量低成本的富鎳NCM材料。

圖3. 輸入描述符的特征重要性及使用MICE進行正向建模

由于在小數據集（< 1000數據）預測上的魯棒性，作者采用基于決策樹的梯度增強回歸（GBR）作為正向建模算法。其中，GBR的超參數通過基于90%的訓練集和10%的驗證集的10倍交叉驗證網格搜索進行調整。預測結果顯示，GBR模型表現出優異的性能，測試R²為 0.99，MAE小于2.2 mAh/g，而驗證R²為0.85，MAE為8.9 mAh/g。

要點3：反向預測

作者采用基于粒子群優化（PSO）算法的逆向設計模型來尋找最佳NCM正極實驗條件，使用經過訓練的模型預測了滿足不同目標放電容量的電化學規范的新設計變量并將其作為設計指南。接下來，作者分別根據所需的150、175和200 mAh/g目標容量逆向預測設計變量。由于實驗驗證所有預測變量的效率低下，因此采用神經網絡方法對預測變量的可靠性進行排序。在這種方法中，預測變量被輸入到神經網絡中，然后將神經網絡預測的放電容量與GBR預測進行比較，比較方差將作為從設計到設備實現的可靠性指南之一。

要點4：逆向設計的合理化

作者從特征重要性中選擇了描述放電容量的4個最重要參數，從預測的逆向設計中建立了滿足所需電化學性能的正極材料設計原則。其中，對于富Ni正極，燒結溫度通常隨Ni含量而降低。其次，充電倍率是決定電池性能的另一個關鍵變量。高倍率下電化學反應較快，導致離子擴散主要發生在電解液和正極之間的界面附近，而遠離隔膜的塊狀NCM則未得到充分利用。

圖4. 基于不同期望放電容量的不同估算數據集預測的逆設計變量

此外，在數據集沒有指定Ni含量和截止電壓的情況下，該模型能夠準確預測二者之間的相關性，其中高Ni含量總是導致低截止電壓。由于NCM是三元體系，增加一種成分會減少一或兩種成分，這意味著增加Ni會導致Co和Mn相對含量降低。由于缺乏結構穩定劑Mn⁴⁺，富鎳正極更容易發生相變，因此導致低截止電壓。

要點5：實驗驗證

作者進行了逆向設計預測的實驗驗證，并根據目標容量的逆向設計預測將合成的NCM粉末分別命名為MICE@150、MICE@175和MICE@200。結果顯示，三種NCM樣品的放電容量分別為~150.0、~161.0和 ~209.5 mAh/g，庫侖效率分別為91.7%、80.0% 和85.9%。通過選擇的數據集，作者進一步比較了ML預測和在一系列不同的倍率和截止電壓下的實驗測量，平均百分比誤差為11%，這表明ML模型合理地捕捉了放電容量的變化趨勢。

圖5. 逆向設計預測的實驗驗證

最后，作者確認這種簡單的插補方法有利于逆向預測，在不減少數據集大小的情況下證明了通過逆向工程進行正極材料優化的高可行性。然而，為了進一步改進ML預測，作者建議添加額外信息，例如電池內部壓力和密度或負載質量。此外，如果數據是從已發表的期刊中收集的，過濾低質量數據可改善預測。由于ML對輸入數據很敏感，不正確的輸入值可能會影響可預測性。

結論與展望

總之，作者展示了一種穩健的數據驅動逆向設計，可在沒有先驗知識的情況下合理探索設計參數。作者使用幾種插補技術“填充”缺失值，并獲得了具有出色預測能力的訓練模型（R²為0.99）。隨后，使用逆向設計來預測所需目標放電容量150、175 和 200 mAh/g的設計變量。最后，驗證了逆向設計的預測設計原則。實驗測量和預測之間8.17 mAh/g的低RMSE表明該方法高度可靠，能夠加快LiB的研究步伐。此外，基于通過MICE估算的數據集對高放電容量的預測與實驗測量非常吻合。從廣義上講，這項工作提出了一種有前途的方法，可作為傳統愛迪生方法的補充來加速材料開發。

文獻信息

Machine learning assisted synthesis of lithium-ion batteries cathode materials, Nano Energy 2022. DOI: 10.1016/j.nanoen.2022.107214

https://doi.org/10.1016/j.nanoen.2022.107214

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/2023/10/14/f3d6e7b7dc/

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

韓國科技院Nano Energy: 機器學習輔助合成鋰離子電池正極材料

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

韓國科技院Nano Energy: 機器學習輔助合成鋰離子電池正極材料

相關推薦