中国石油大学（华东）胡涵&吴明铂Carbon：机器学习指导3D打印具有定制性能的碳微晶格用于超级电容储能

【研究背景】

超级电容器因其充放电速率快、循环寿命长、安全性高等特点，是目前最先进的电化学储能系统之一。但是在以微电子等领域为代表的实际应用场景中，通常需要储能系统根据不同的占地空间提供不同的能量供设备使用，这对于超级电容器“可定制”的电化学性能提出了更高的要求。3D打印技术可以根据特定的应用场景，高效地设计并制造各种几何形状复杂的结构，同时减少了原材料浪费，降低成本。但是在当前阶段，3D打印电极的结构参数与其超级电容性能之间的构效关系尚不明确，理想的电化学性能需要通过耗时的尝试-试错过程来实现。为了进一步推广3D打印技术的应用，快速而准确地掌握电极结构参数与其面电容性能的构效关系至关重要。以机器学习为代表的人工智能技术带给我们新的发展机遇。基于有限的实验数据，机器学习凭借其强大的计算能力以及数据驱动能力，可以挖掘数据背后隐藏的内在联系，学习并建立模型，并对数据的发展趋势做出合理预测。本文基于有限的实验数据通过机器学习建立了3D打印碳微晶格电极的结构参数与其面电容性能之间的预测模型，为实现可定制的超级电容性能提供了合理的设计指导。

【研究亮点】

1. 本文提出机器学习指导3D打印的策略，建立了3D打印碳微晶格电极结构参数与其超级电容性能之间的构效关系，为实现可定制的超级电容性能提供了合理的设计指导。
2. 3D打印碳微晶格的电极结构参数在本质上是通过改变电化学活性面积以及电极表面电流分布来影响其超级电容性能。

【成果简介】

近期，中国石油大学（华东）胡涵、吴明铂教授（通讯作者）团队报道了机器学习指导3D打印的设计策略，建立了碳微晶格电极结构参数与其超级电容性能之间的机器学习模型，用于可定制的超级电容性能的高效设计。首先，该论文通过3D打印制备了9个具有不同结构参数的电极，在三电极测试条件下评价了其面电容性能。将这9个数据点作为原始的训练集用于构建机器学习模型；其次，作者比较了四种机器学习算法的模型拟合效果，包括随机森林（RF）、线性回归（LR）、支持向量回归（SVR）和人工神经网络（ANN）。模型拟合结果显示随机森林算法（RF）呈现出最佳的拟合效果，R²决定系数高达0.978而均方根误差低至0.073。这是因为随机森林算法在特征选择及子模型生成阶段引入的随机性和鲁棒性非常适合本论文小数据集的预测问题。因此，作者在本文中选择随机森林模型为主要研究对象，详细讨论了电极结构参数的特征重要性以及可定制的超级电容性能，并通过电化学活性面积测试以及有限元分析深入揭示了其内在影响机制。相关成果以“Machine learning guided 3D printing of carbon microlattices with customized performance for supercapacitive energy storage”为标题发表于国际著名期刊《Carbon》，中国石油大学（华东）的博士生杨浩和超威半导体公司的房亮工程师是本文共同第一作者。

【图文导读】

图1 3D打印及随机森林拟合过程

图2 氧化石墨烯及碳微晶格的表征

图3 随机森林模型预测结果

图4 随机森林模型预测结果的热力图

图5 随机森林模型的验证

图6 电极结构参数对电化学活性面积的影响

图7 电极结构参数对其表面电流分布的影响

【文献信息】

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