电子科大开发可解释性机器学习框架预测锂金属电池加速老化的拐点

电子科大开发可解释性机器学习框架预测锂金属电池加速老化的拐点

1025日,电子科技大学研究团队依托一个涵盖79个电池的综合性数据空间,开发出一种具备可解释性的机器学习框架(SELF),可精准预判锂金属电池加速老化的拐点。研究成果发表在《美国化学会杂志》(Journal of the American Chemical Society)上。

锂金属电池(LMBs)因其高能量密度的特点,被广泛认为是实现长续航电动运输的关键技术。然而,快速的容量衰减和安全风险阻碍了电池的实际应用。基于此,研究团队开发出一种具备可解释性的机器学习框架(SELF),旨在对锂金属电池的加速老化情况展开研究。仅凭借最初10个充放电循环所获取的数据,该框架便可精准预判出电池老化开始加速的关键拐点,并进一步阐明了最后10%深度放电对电池老化速率的关键作用,提出了一种基于早期循环电化学数据的通用描述符,用于快速评估电解质。由机器学习所获取的相关见解还推动了双截止放电协议的设计,可有效地将LMBs的循环寿命延长达2.8倍。该研究通过结合机器学习技术,可从早期循环数据中预测电池的老化行为,对电池的健康管理和寿命延长具有重要意义。

© 版权声明

相关文章

学术会议云

暂无评论

none
暂无评论...