ACS Cent. Sci.：机器学习方法预测掺杂锂镍钴锰正极材料的放电容量

了解循环放电容量的主要掺杂特性对于设计和发现用于锂离子电池的新型掺杂锂镍钴锰（NCM）氧化物正极至关重要。

英国伦敦大学学院Kwang-Leong Choy、Tengyao Wang等人应用六种机器学习回归算法研究了168种不同掺杂NCM体系（NCM-333、NCM-523、NCM-622 和 NCM-811）的结构、元素特征与其各自的初始放电容量（IC）和第50次循环放电容量（EC）的相关性。

首先，皮尔逊相关系数研究表明锂含量比率与两个放电容量高度相关。在所有六种回归算法中，梯度推进模型对IC和EC的预测能力最好，在保持测试集上计算的均方根误差分别为16.66 mAh g^–1和18.59 mAh g^–1。

图1 数据收集过程概述

此外，基于博弈论的变量重要性分析表明，具有较高锂含量、较小掺杂剂含量和较低电负性原子作为掺杂剂的掺杂NCM材料更有可能具有更高的IC和EC。

这些研究证明了应用尖端机器学习技术精确捕获掺杂NCM系统的复杂结构-性能关系的潜力，并且该模型可作为具有更优异电化学放电性能的新型掺杂NCM结构的快速筛选工具。

图2 皮尔逊系数相关性研究

Machine-Learning Approach for Predicting the Discharging Capacities of Doped Lithium Nickel–Cobalt–Manganese Cathode Materials in Li-Ion Batteries. ACS Central Science 2021. DOI: 10.1021/acscentsci.1c00611

原创文章，作者：科研小搬砖，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/25/34f874fa79/

ACS Cent. Sci.：机器学习方法预测掺杂锂镍钴锰正极材料的放电容量

相关推荐