中國石油大學(xué)：機器學(xué)習(xí)指導(dǎo)3D打印具有定制性能的碳微晶格用于超級電容儲能

來源：中國石油大學(xué)（華東）重質(zhì)油國家重點實驗室

01【研究背景】

超級電容器因其充放電速率快、循環(huán)壽命長、安全性高等特點，是目前最先進的電化學(xué)儲能系統(tǒng)之一。但是在以微電子等領(lǐng)域為代表的實際應(yīng)用場景中，通常需要儲能系統(tǒng)根據(jù)不同的占地空間提供不同的能量供設(shè)備使用，這對于超級電容器“可定制”的電化學(xué)性能提出了更高的要求。3D打印技術(shù)可以根據(jù)特定的應(yīng)用場景，高效地設(shè)計并制造各種幾何形狀復(fù)雜的結(jié)構(gòu)，同時減少了原材料浪費，降低成本。但是在當(dāng)前階段，3D打印電極的結(jié)構(gòu)參數(shù)與其超級電容性能之間的構(gòu)效關(guān)系尚不明確，理想的電化學(xué)性能需要通過耗時的嘗試-試錯過程來實現(xiàn)。為了進一步推廣3D打印技術(shù)的應(yīng)用，快速而準(zhǔn)確地掌握電極結(jié)構(gòu)參數(shù)與其面電容性能的構(gòu)效關(guān)系至關(guān)重要。以機器學(xué)習(xí)為代表的人工智能技術(shù)帶給我們新的發(fā)展機遇。基于有限的實驗數(shù)據(jù)，機器學(xué)習(xí)憑借其強大的計算能力以及數(shù)據(jù)驅(qū)動能力，可以挖掘數(shù)據(jù)背后隱藏的內(nèi)在聯(lián)系，學(xué)習(xí)并建立模型，并對數(shù)據(jù)的發(fā)展趨勢做出合理預(yù)測。本文基于有限的實驗數(shù)據(jù)通過機器學(xué)習(xí)建立了3D打印碳微晶格電極的結(jié)構(gòu)參數(shù)與其面電容性能之間的預(yù)測模型，為實現(xiàn)可定制的超級電容性能提供了合理的設(shè)計指導(dǎo)。

02【研究亮點】

本文提出機器學(xué)習(xí)指導(dǎo)3D打印的策略，建立了3D打印碳微晶格電極結(jié)構(gòu)參數(shù)與其超級電容性能之間的構(gòu)效關(guān)系，為實現(xiàn)可定制的超級電容性能提供了合理的設(shè)計指導(dǎo)。

3D打印碳微晶格的電極結(jié)構(gòu)參數(shù)在本質(zhì)上是通過改變電化學(xué)活性面積以及電極表面電流分布來影響其超級電容性能。

03【成果簡介】

近期，中國石油大學(xué)（華東）胡涵、吳明鉑教授（通訊作者）團隊報道了機器學(xué)習(xí)指導(dǎo)3D打印的設(shè)計策略，建立了碳微晶格電極結(jié)構(gòu)參數(shù)與其超級電容性能之間的機器學(xué)習(xí)模型，用于可定制的超級電容性能的高效設(shè)計。首先，該論文通過3D打印制備了9個具有不同結(jié)構(gòu)參數(shù)的電極，在三電極測試條件下評價了其面電容性能。將這9個數(shù)據(jù)點作為原始的訓(xùn)練集用于構(gòu)建機器學(xué)習(xí)模型；其次，作者比較了四種機器學(xué)習(xí)算法的模型擬合效果，包括隨機森林（RF）、線性回歸（LR）、支持向量回歸（SVR）和人工神經(jīng)網(wǎng)絡(luò)（ANN）。模型擬合結(jié)果顯示隨機森林算法（RF）呈現(xiàn)出最佳的擬合效果，R2決定系數(shù)高達0.978而均方根誤差低至0.073。這是因為隨機森林算法在特征選擇及子模型生成階段引入的隨機性和魯棒性非常適合本論文小數(shù)據(jù)集的預(yù)測問題。因此，作者在本文中選擇隨機森林模型為主要研究對象，詳細討論了電極結(jié)構(gòu)參數(shù)的特征重要性以及可定制的超級電容性能，并通過電化學(xué)活性面積測試以及有限元分析深入揭示了其內(nèi)在影響機制。相關(guān)成果以“Machine learning guided 3D printing of carbon microlattices with customized performance for supercapacitive energy storage”為標(biāo)題發(fā)表于國際著名期刊《Carbon》，中國石油大學(xué)（華東）的博士生楊浩和超威半導(dǎo)體公司的房亮工程師是本文共同第一作者。

04【圖文導(dǎo)讀】

圖1 3D打印及隨機森林擬合過程

圖2 氧化石墨烯及碳微晶格的表征

圖3 隨機森林模型預(yù)測結(jié)果

圖4 隨機森林模型預(yù)測結(jié)果的熱力圖

圖5 隨機森林模型的驗證

圖6 電極結(jié)構(gòu)參數(shù)對電化學(xué)活性面積的影響

圖7 電極結(jié)構(gòu)參數(shù)對其表面電流分布的影響

05【文獻信息】

Hao Yang, et al. Machine learning guided 3D printing of carbon microlattices with customized performance for supercapacitive energy storage, Carbon, 2022

https://doi.org/10.1016/j.carbon.2022.08.083