استفاده از یادگیری ماشین در پیش بینی چگالی جریان الکترودهای اکسید آنتروپی بالا در باتری های لیتیومی

تقاضای روز افزون برای سیستم های ذخیره سازی انرژی با چگالی و توان بالا تحقیقات را به سمت توسعه مواد الکترودی نوین سوق داده است. اکسیدهای با آنتروپی بالا (HEC) به عنوان دسته ای از مواد چندجزئی با پایداری ترمودینامیکی و خواص الکتروشیمیایی منحصر به فرد، پتانسیل چشمگیری برای غلبه بر محدودیت های ظرفیتی آندهای متداول مانند گرافیت از خود نشان داده اند. با این حال، گستردگی فضای ترکیبات ممکن کشف ترکیبات بهینه را به یک چالش بزرگ تبدیل کرده است. این پژوهش یک چارچوب داده محور مبتنی بر یادگیری ماشین را برای پیش بینی ظرفیت ویژه آندهای HEO و طراحی هدفمند مواد جدید ارائه می دهد. با گردآوری یک پایگاه داده شامل ۱۱۹ ترکیب از مقالات علمی و مهندسی ویژگی های هوشمند برای استخراج سهم مولی عناصر مدل های رگرسیون متعددی آموزش داده شدند. نتایج نشان داد که مدل XGBoost با ضریب تعیین (R²) برابر با ۰.۵۱۶ و ریشه میانگین مربع خطا (RMSE) معادل mAh g⁻¹ ۲۵۹ بهترین عملکرد را دارد. تحلیل اهمیت ویژگی ها (SHAP) عناصر Li و Mg و همچنین برهم کنش های هم افزای جفت های Li-Mg و Li-Ni را به عنوان عوامل کلیدی در افزایش ظرفیت شناسایی کرد. در نهایت، با استفاده از مدل بهینه ترکیبات جدیدی با ظرفیت پیش بینی شده بیش از mAh g⁻¹ ۱۰۰۰ پیشنهاد گردید که مسیر طراحی محاسباتی مواد الکترودی پیشرفته را هموار می سازد.

کلیدواژه ها:

اکسیدهای با آنتروپی بالا ، باتری لیتیوم-یون ، یادگیری ماشین ، طراحی محاسباتی مواد ، XGBoost