中國石油大學（華東）胡涵&吳明鉑Carbon：機器學習指導3D打印具有定制性能的碳微晶格用于超級電容儲能

【研究背景】

超級電容器因其充放電速率快、循環壽命長、安全性高等特點，是目前最先進的電化學儲能系統之一。但是在以微電子等領域為代表的實際應用場景中，通常需要儲能系統根據不同的占地空間提供不同的能量供設備使用，這對于超級電容器“可定制”的電化學性能提出了更高的要求。3D打印技術可以根據特定的應用場景，高效地設計并制造各種幾何形狀復雜的結構，同時減少了原材料浪費，降低成本。但是在當前階段，3D打印電極的結構參數與其超級電容性能之間的構效關系尚不明確，理想的電化學性能需要通過耗時的嘗試-試錯過程來實現。為了進一步推廣3D打印技術的應用，快速而準確地掌握電極結構參數與其面電容性能的構效關系至關重要。以機器學習為代表的人工智能技術帶給我們新的發展機遇。基于有限的實驗數據，機器學習憑借其強大的計算能力以及數據驅動能力，可以挖掘數據背后隱藏的內在聯系，學習并建立模型，并對數據的發展趨勢做出合理預測。本文基于有限的實驗數據通過機器學習建立了3D打印碳微晶格電極的結構參數與其面電容性能之間的預測模型，為實現可定制的超級電容性能提供了合理的設計指導。

【研究亮點】

1. 本文提出機器學習指導3D打印的策略，建立了3D打印碳微晶格電極結構參數與其超級電容性能之間的構效關系，為實現可定制的超級電容性能提供了合理的設計指導。
2. 3D打印碳微晶格的電極結構參數在本質上是通過改變電化學活性面積以及電極表面電流分布來影響其超級電容性能。

【成果簡介】

近期，中國石油大學（華東）胡涵、吳明鉑教授（通訊作者）團隊報道了機器學習指導3D打印的設計策略，建立了碳微晶格電極結構參數與其超級電容性能之間的機器學習模型，用于可定制的超級電容性能的高效設計。首先，該論文通過3D打印制備了9個具有不同結構參數的電極，在三電極測試條件下評價了其面電容性能。將這9個數據點作為原始的訓練集用于構建機器學習模型；其次，作者比較了四種機器學習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）和人工神經網絡（ANN）。模型擬合結果顯示隨機森林算法（RF）呈現出最佳的擬合效果，R²決定系數高達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據集的預測問題。因此，作者在本文中選擇隨機森林模型為主要研究對象，詳細討論了電極結構參數的特征重要性以及可定制的超級電容性能，并通過電化學活性面積測試以及有限元分析深入揭示了其內在影響機制。相關成果以“Machine learning guided 3D printing of carbon microlattices with customized performance for supercapacitive energy storage”為標題發表于國際著名期刊《Carbon》，中國石油大學（華東）的博士生楊浩和超威半導體公司的房亮工程師是本文共同第一作者。

【圖文導讀】

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?隨機森林模型預測結果

圖4?隨機森林模型預測結果的熱力圖

圖5?隨機森林模型的驗證

圖6?電極結構參數對電化學活性面積的影響

圖7 電極結構參數對其表面電流分布的影響

【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