《Next Nanotechnology》:Optimization and predictive performance of hybrid carbon nanotubes-graphene electrodes- based supercapacitor for electric vehicles and electronics devices
编辑推荐:
摘要本文提出了一种基于机器学习的优异方法,用于设计并优化用于超级电容器的混合石墨烯-碳纳米管电极。除了利用带交叉验证的递归特征消除(RFECV)将输入变量数量从40个减少到12个并提高预测准确率外,作者还采用了非支配排序遗传算法II(NSGA II),在实现超过10 kW/k
摘要
本文提出了一种基于机器学习的优异方法,用于设计并优化用于超级电容器的混合石墨烯-碳纳米管电极。除了利用带交叉验证的递归特征消除(RFECV)将输入变量数量从40个减少到12个并提高预测准确率外,作者还采用了非支配排序遗传算法II(NSGA II),在实现超过10 kW/kg高功率密度的同时,将能量密度提高了25%。此外,作者通过变分自编码器(VAE)开发了新的材料构型,使这些构型的比电容提升了20%。通过在本研究中引入梯度提升回归树(GBRT),作者能够将真实合成变量纳入合成过程,提高了预测准确率(从RMSE = 0.12降至RMSE = 0.10)。此外,通过使用长短期记忆网络(LSTM),作者能够准确预测循环稳定性趋势,与实验数据的吻合度达95%。最后,作者利用SHAP可解释性方法和蒙特卡洛丢弃法提供了可解释性与可靠性。总体而言,该工作提供了一个稳健的预测与生成框架,将推动混合超级电容器电极设计的发展,并加速其在新一代储能系统中的应用。
Sarika D. Patil|Xma R. Pote|Piyush S. Patil|Vaibhaw R. Doifode|Shradhesh R. Marve|Pranali Dandekar|Lowlesh N. Yadav|Dhirajkumar Gupta|Nisha Gongal|Latika Pinjarkar|Shilpa Gabhane|Aseel Smerat|Vikrant S. Vairagade