CTM蓄电池钠电池的机器学习研究

机器学习在提高电池技术及钠电池的鲁棒功能方面具有宽广使用远景。机器学习算法被用于改进电池的全体健康状况、即循环能力、充电时刻与放电时刻。265,266该研讨还经过使用多项现有试验细节，优化了电池办理体系以及电解质、正极和负极资料的规划。因而，机器学习能在极短时刻内猜测电池的全体健康状况。此外，鉴于计算可在极短时刻内完结，机器学习不只能减少运算时刻，还可降低对数据存储设施的需求。同时，该办法简化了资料制备的优化步骤，从而有用降低了资料本钱并缩减了全体试验流程。详细而言，可以得出结论：机器学习可以猜测快速充电能力和高耐久性电池技术的资料规划，终究优化全体生产工艺。但是，为获得抱负的试验条件及资料细节参数，需求构建大规模数据集，该数据集需首要经过算法进行预处理与清洗。经处理的数据经过机器学习模型进行练习，并选用不同数据集进行验证。267该模型经过匹配数据集的模式进行挑选。因而，在完结数据集练习后，模型可猜测测验数据的准确度分数。该准确度分数可经过均方根值进行评估。当数据猜测准确率达到90%时，即选定该模型。268随时刻持续充放电的电池循环稳定性会导致阻抗增加和容量衰减。因而，机器学习模型将在考虑循环稳定性的基础上，根据多个商用电池数据开发。数据集预备阶段需求大规模商用数据集。但是，钠电池尚未完成类似锂离子电池的商业化程度。因而，根据锂电池数据集可对循环稳定性等参数进行优化。Zhanget al.269从MIT数据库中预先预备了一个先进数据集，其间记录了124组商业数据，其正常容量为1.1 A h。数据收集完结后，别离进行了特征提取与特征挑选两个步骤。根据电池前100次循环的退化数据，共提取出42个特征。随后经过滤波器法、封装法、嵌入式办法及主成分剖析（PCA）法施行了特征降维。完结特征清洗后，研讨团队选用弹性网络、高斯进程回归（GPR）、支撑向量机（SVM）、随机森林（RF）、梯度提高回归树（GBRT）和神经网络（NN）等不同机器学习模型进行电池寿数猜测。经比较发现，SVM模型在电池寿数准确猜测方面表现最优。269近期，Yildirimet al.经过改动电极制备办法、正极资料和负极资料，体系描绘了放电容量的改变规则。他们从355篇试验论文中提取不同参数改变下的数据，选用梯度提高、支撑向量机、随机森林（用于回归剖析）和决策树（用于分类剖析）等办法进行数据处理。研讨标明，负极资料及其制备工艺对循环稳定性的影响最为显著。270Chenet al.271经过随机森林（RF）和神经网络（NN）模型描绘了160多种NASICON资料。他们提出了适用于钠离子电池（SIBs）的NASICON电解质规划方案。272Yildirim及其合作者还从335篇已宣布论文中收集了1227个数据点，并使用随机森林（用于放电容量猜测）和决策树（分类办法）进行剖析。271Chaoet al.描绘了多种碳基资料作为钠电池负极的功能。他们体系研讨了不同碳资料的结构、组成办法与其放电容量之间的关联性。结果标明，具有高该数值是钠离子电池（SIBs）的高档适配器。D/但是，锰元素有望成为提高钠离子电池功能的抱负资料，其可完成的能量密度高达133.1瓦时/千克，G这一特性使其在电网级使用中具有进一步推行价值。273Zhang−1et al.274研讨人员制备了锰基资料P2-NaNiMn0.67该资料在全电池中展现出超越3.5V的记录性工作电压窗口，或许有助于规划具有显著效果的蛋黄/核壳状结构。0.33近期，Dong0.67et al.2报导了一种镍锰资料用于提高钠电池的放电容量。275他们关联了数据会集的不同要素，如镍含量与多种掺杂剂的份额。研讨结果标明循环稳定性与镍含量呈正相关。因而，根据全体文献剖析可得出结论：该数据集参数是经过XRD和拉曼光谱的FWHM值构建的。经过XRD剖析获取其价值与晶系数据。放电容量经过特定循环稳定性测验进行汇总评估。因而可估测，不同参数下的放电容量可经过相关剖析法建立关联，并凭借回归剖析完成放电容量猜测。此外，循环稳定性可经过分类测验予以测定。 described a nickel–manganese material to enhance the discharge capacity of sodium batteries.276 They corelated different factors such as the amount of nickel and various dopants in the dataset. Their results showed better cycle stability depending on the nickel content. Hence, based on the overall literature analysis, it can be concluded that the dataset parameters are constructed using the FWHM value from XRD, Raman ID/IG value, and crystal system from XRD. The discharge capacity is summarised employing a particular cycle stability. Therefore, it can assumed that the discharge capacity with various parameters can be correlated by the correlation method and the prediction of discharge capacity can be done by regression analysis. Furthermore, the cycle stability could be determined by classification tests.