CN112861268B - 一种固态电解质电子电导率获取方法、介质及电子设备 - Google Patents
一种固态电解质电子电导率获取方法、介质及电子设备 Download PDFInfo
- Publication number
- CN112861268B CN112861268B CN202110260572.3A CN202110260572A CN112861268B CN 112861268 B CN112861268 B CN 112861268B CN 202110260572 A CN202110260572 A CN 202110260572A CN 112861268 B CN112861268 B CN 112861268B
- Authority
- CN
- China
- Prior art keywords
- solid electrolyte
- band gap
- electronic conductivity
- conductivity
- obtaining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Conductive Materials (AREA)
- Fuel Cell (AREA)
Abstract
本发明提供一种固态电解质电子电导率获取方法,包括:获取固态电解质的材料信息;根据所述固态电解质的材料信息进行特征工程,以获取所述固态电解质对应的特征向量;利用一电子电导率分类模型对所述固态电解质对应的特征向量进行处理,以获取所述固态电解质的带隙类别;若电子电导率回归模型能够获取所述固态电解质的带隙,利用所述电子电导率回归模型对所述固态电解质对应的特征向量进行处理,以获取所述固态电解质的带隙;根据所述固态电解质的带隙,获取所述固态电解质的电子电导率。所述固态电解质电子电导率获取方法能够对所述固态电解质的电子电导率进行快速、准确的预测。
Description
技术领域
本发明涉及一种电子电导率获取方法,特别是涉及一种固态电解质电子电导率获取方法、介质及电子设备。
背景技术
随着电动汽车的快速发展,高能量密度的锂金属电池受到越来越多的关注。但是在传统的液态电解质中,锂金属不稳定的沉积过程以及枝晶生长会引发一系列的安全问题,这严重阻碍了锂金属负极的发展。相比于液体电解质(Liquid electrolyte),固态电解质的不可燃烧性可以完美解决锂电池的安全问题,而且可以将锂金属负极和高压正极匹配做成更高能量密度的全固态电池。因此,成功构筑高性能固态电池的关键在于找到合适的固态电解质。合适的固态电解质材料需要高的离子电导率(Ionic conductivity),离子迁移数的提高可以减弱充放电过程中的浓差极化,从而提高电池的功率密度。此外,电解质需要有极低的电子电导率以对电子绝缘,从而避免自放电过程的发生。而且,近期的研究表明,锂枝晶的形成与高的电子电导率密切相关。因此,电子电导率指标是筛选固态电解质的重要环节。获取电解质的电子电导率对于固态电池具有重要的意义。
现有获取电解质电子电导率的技术主要分为实验测量和理论计算两种。对于实验测量方式来说,为了测量电解质的电子电导率,研究人员需要在特定条件下合成新型的候选电解质材料,再通过电阻率测量、表面光电压等技术测量电子传输的能力,进而推导出电子电导率。该类技术可以精确测量电解质的电子电导率,但是存在着耗时长、成本高、操作复杂等缺点。为了降低试错成本,越来越多的科研工作者和技术人员开始借助于理论计算在前期辅助新型电解质材料的设计。具体地说,依靠设计者的理论基础和经验,通过材料建模软件如Materials Studio等设计出新型电解质材料,再基于第一性原理优化材料结构、计算材料的电子结构和带隙值,并根据带隙值推导电子电导率,以此来预测电解质材料的电子电导率。该类技术能够在昂贵的实验合成之前、通过理论设计来寻找出色的电解质材料,减少了实验合成的时间成本和经济成本。然而,发明人在研究和实际应用中发现,随着计算的数据增大,基于第一性原理计算也需要耗费大量的时间和成本。因此,现有技术中并没有一种能够简单且高效获取固态电解质电子电导率的方法。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种固态电解质电子电导率获取方法、介质及电子设备,用于解决现有技术无法简单且高效地获取固态电解质电子电导率的问题。
为实现上述目的及其他相关目的,本发明的第一方面提供一种固态电解质电子电导率获取方法,用于获取一固态电解质的电子电导率,所述固态电解质电子电导率获取方法包括:获取所述固态电解质的材料信息,所述固态电解质的材料信息包括所述固态电解质的元素信息;根据所述固态电解质的材料信息进行特征工程,以获取所述固态电解质对应的特征向量;利用一电子电导率分类模型对所述固态电解质对应的特征向量进行处理,以获取所述固态电解质的带隙类别;其中,所述固态电解质的带隙类别用于指示一电子电导率回归模型能否获取所述固态电解质的带隙,所述电子电导率分类模型为一训练好的分类模型,所述电子电导率回归模型为一训练好的回归模型;若所述电子电导率回归模型能够获取所述固态电解质的带隙,利用所述电子电导率回归模型对所述固态电解质对应的特征向量进行处理,以获取所述固态电解质的带隙;根据所述固态电解质的带隙,获取所述固态电解质的电子电导率。
于所述第一方面的一实施例中,获取所述固态电解质对应的特征向量的实现方法包括:获取所述固态电解质的组成元素;计算各所述组成元素的基本性质;将各所述组成元素的基本性质连接成一行向量,所述行向量即为所述固态电解质对应的特征向量。
于所述第一方面的一实施例中,所述组成元素的基本性质包括偶极子极化率、原子序数、原子共价半径、范德瓦尔斯半径、电负性、第一电离能和/或价电子数。
于所述第一方面的一实施例中,所述固态电解质的带隙类别包括第一类带隙和第二类带隙,其中,所述第一类带隙是指所述固态电解质的带隙位于第一带隙范围内,用于指示所述电子电导率回归模型不能获取所述固态电解质的带隙,所述第二类带隙是指所述固态电解质的带隙位于第二带隙范围内,用于指示所述电子电导率回归模型能够获取所述固态电解质的带隙,所述第一带隙范围与所述第二带隙范围不重合,且所述第一带隙范围内的任一数值小于所述第二带隙范围内的任一数值。
于所述第一方面的一实施例中,所述电子电导率分类模型的训练方法包括:获取多个第一训练样本的材料信息;根据各所述第一训练样本的材料信息进行特征工程,以获取各所述第一训练样本对应的特征向量;获取各第一训练样本的带隙类别;利用各所述第一训练样本对应的特征向量作为输入,利用各第一训练样本的带隙类别作为输出,对一分类模型进行训练直到所述分类模型的损失值满足第一预设条件。
于所述第一方面的一实施例中,所述电子电导率回归模型的训练方法包括:获取多个第二训练样本的材料信息;获取各所述第二训练样本的带隙类别,并根据各所述第二训练样本的带隙类别从所述第二训练样本中获取可用样本;根据各所述可用样本的材料信息进行特征工程,以获取各所述可用样本对应的特征向量;获取各所述可用样本的带隙;利用各所述可用样本对应的特征向量作为输入,利用各所述可用样本的带隙作为输出,对一回归模型进行训练直到所述回归模型的损失值满足第二预设条件。
于所述第一方面的一实施例中,获取所述固态电解质的电子电导率的实现方法为:其中,σe为所述固态电解质的电子电导率,me和mh分别为电子和空穴的迁移率,q为电子电荷量,DC和DV是态密度中的导带和价带,Eg是所述电子电导率回归模型获取的所述固态电解质的带隙,K是玻尔兹曼常数,T是温度。
于所述第一方面的一实施例中,所述固态电解质为石榴石。
本发明的第二方面提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本发明第一方面任一项所述固态电解质电子电导率获取方法。
本发明的第三方面提供一种电子设备,所述电子设备包括:存储器,存储有一计算机程序;处理器,与所述存储器通信相连,调用所述计算机程序时执行本发明第一方面任一项所述固态电解质电子电导率获取方法;显示器,与所述处理器和所述存储器通信相连,用于显示所述固态电解质电子电导率获取方法的相关GUI交互界面。
如上所述,本发明所述固态电解质电子电导率获取方法、介质及电子设备的一个技术方案具有以下有益效果:
所述固态电解质电子电导率获取方法首先利用一电子电导率分类模型对固态电解质进行分类,以获取所述固态电解质的带隙类别,从而判断能否利用一电子电导率回归模型获取所述固态电解质的带隙。对于能够利用所述电子电导率回归模型获取其带隙的固态电解质,本发明利用所述电子电导率回归模型获取所述固态电解质的带隙,根据所述固态电解质的带隙即可获取其电子电导率。因此,本发明避免了繁琐、昂贵的实验环节,基于所述电子电导率分类模型、所述电子电导率回归模型和理论计算即可获取固态电解质的电子电导率,具有简单且高效的优点,同时能够降低对第一性原理计算的依赖,有利于降低成本并缩短研究周期。
附图说明
图1显示为本发明所述固态电解质电子电导率获取方法于一具体实施例中的流程图。
图2A显示为本发明所述固态电解质电子电导率获取方法于一具体实施例中步骤S12的流程图。
图2B显示为本发明所述固态电解质电子电导率获取方法于一具体实施例中获取的特征向量示例图。
图3显示为本发明所述固态电解质电子电导率获取方法于一具体实施例中对电子电导率分类模型进行训练的流程图。
图4显示为本发明所述固态电解质电子电导率获取方法于一具体实施例中对电子电导率回归模型进行训练的流程图。
图5显示为本发明所述电子设备于一具体实施例中的结构示意图。
元件标号说明
S11~S15 步骤
S121~S123 步骤
S31~S34 步骤
S41~S45 步骤
500 电子设备
510 存储器
520 处理器
530 显示器
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。此外,此外,在本文中,诸如“第一”、“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
现有技术测量电解质材料的电子电导率,首先需要合成该电解质材料,并采用漫反射、电阻率测量、表面光电压、光传导或UV-vis等实验方法来测量。该过程经历了材料合成、材料表征、材料测量等繁琐的步骤,实验周期长且耗费巨大的成本。随着计算材料学的快速发展,现在人们普遍使用第一性原理计算来粗略计算材料的电子结构,通过电子结构得到带隙值(Band gap),进一步推导出电子电导率,第一性原理计算采用的主流方法是基于广义梯度近似(General Gradient Approximation,GGA)中的Perdew-Berke-Ernzerhof(PBE)交换关联泛函计算方法。这种计算方法与实验测试相比,虽然精度有所降低,但是可以节省大量的时间和经济成本。然而,随着固态电池的研究热潮,固态电解质的数据规模不断的扩大,即使是使用基于第一性原理的高通量计算方法,也需要耗费大量的时间。
因此,现有技术中存在的缺点包括:实验成本高,在进行实验测量时,实验制备电解质材料需要昂贵的材料成本,测量电子电导率时需要昂贵的设备成本;效率低,在进行实验测量时,现有技术需要实验制备、合成、测量等繁琐的步骤,且一般都需要XPS等精密仪器来表征材料,操作复杂且实验周期长;随着计算的数据增大,基于第一性原理计算也需要耗费大量的时间和成本;理论计算的泛化能力差,需要重复多次计算。
针对上述问题,本发明提供一种固态电解质电子电导率的获取方法,所述固态电解质电子电导率获取方法首先利用一电子电导率分类模型对固态电解质进行分类,以获取所述固态电解质的带隙类别,从而判断能否利用一电子电导率回归模型获取所述固态电解质的带隙。对于能够利用所述电子电导率回归模型获取其带隙的固态电解质,本发明利用所述电子电导率回归模型获取所述固态电解质的带隙,根据所述固态电解质的带隙即可获取其电子电导率。因此,本发明避免了繁琐、昂贵的实验环节,基于所述电子电导率分类模型、所述电子电导率回归模型和理论计算即可获取固态电解质的电子电导率,同时能够降低对第一性原理计算的依赖,有利于降低成本并缩短研究周期。
请参阅图1,于本发明的一实施例中,所述固态电解质电子电导率获取方法包括:
S11,获取所述固态电解质的材料信息,所述固态电解质的材料信息包括所述固态电解质的元素信息。
S12,根据所述固态电解质的材料信息进行特征工程,以获取所述固态电解质对应的特征向量。其中,所述特征工程是指对所述固态电解质的材料信息进行一系列工程处理,以将其提炼为特征向量。所述特征工程的目的是去除所述固态电解质的材料信息中的杂质和冗余,以获取更高效的特征向量来刻画求解的问题与预测模型之间的关系。
S13,利用一电子电导率分类模型对所述固态电解质对应的特征向量进行处理,以获取所述固态电解质的带隙类别;其中,所述固态电解质的带隙类别用于指示一电子电导率回归模型能否获取所述固态电解质的带隙。带隙是所述固态电解质导带的最低点和价带的最高点的能量之差,也称能隙;所述固态电解质的带隙越大,电子由价带被激发到导带越难,本征载流子浓度就越低,所述固态电解质的电导率也就越低。
所述电子电导率分类模型为一训练好的分类模型,其输出为所述固态电解质的带隙类别;所述电子电导率回归模型为一训练好的回归模型,其输出为所述固态电解质的带隙。
于本步骤S13中,所述电子电导率回归模型能够获取所述固态电解质的带隙,是指所述电子电导率回归模型能够准确地获取所述固态电解质的带隙;所述电子电导率回归模型不能够获取所述固态电解质的带隙,是指所述电子电导率回归模型不能准确地获取所述固态电解质的带隙。
S14,若所述电子电导率回归模型能够获取所述固态电解质的带隙,利用所述电子电导率回归模型对所述固态电解质对应的特征向量进行处理,以获取所述固态电解质的带隙。
S15,根据所述固态电解质的带隙,获取所述固态电解质的电子电导率。
需要说明的是,当步骤S13根据所述固态电解质的带隙类别判断所述电子电导率回归模型无法获取所述固态电解质的带隙时,可以采用现有的实验测量或计算测量方法获取所述固态电解质的电子电导率。
根据以上描述可知,本实施例所述固态电解质电子电导率的获取方法无需采用繁琐的实验步骤,且不依赖于昂贵的时延设备,相对于现有技术具有成本低、简单且高效等优点。
并且,本实施例所述固态电解质电子电导率获取方法依赖于电子电导率回归模型来获取固态电解质的带隙,进而计算得出所述固态电解质的电子电导率,相对于现有技术具有节约时间和成本的优点。
此外,本实施例所述固态电解质电子电导率获取方法首次在电解质的电子电导率的预测中引入机器学习方法,并融合了分类算法和回归算法,因而能够实现对电子电导率进行快速、准确的预测,从而为设计和筛选电解质提供了科学的理论依据,且所述固态电解质电子电导率获取方法采用的模型较为简单,能够在工业界得到广泛应用。
请参阅图2A,于本发明的一实施例中,获取所述固态电解质对应的特征向量的实现方法包括:
S121,获取所述固态电解质的组成元素,所述组成元素是指组成所述固态电解质的化学元素,例如Ca、Mg、Na等。
S122,计算各所述组成元素的基本性质,所述基本性质优选为各所述组成元素的偶极子极化率、原子序数、原子共价半径、范德瓦尔斯半径、电负性、第一电离能和/或价电子数。
S123,将各所述组成元素的基本性质连接成一行向量,所述行向量即为所述固态电解质对应的特征向量。
本实施例所述固态电解质电子电导率获取方法基于所述组成元素的基本性质组成所述特征向量,实际应用中可以根据需求增加或删除特定种类的基本性质,因而具有易扩展的优点,使得本实施例所述固态电解质电子电导率获取方法具有良好的泛化能力。
特别地,所述固态电解质为石榴石。其中,石榴石是一类化学式为A3B2C3X12的材料,其结构包括A、B、C和X四个位点(site),其中,A位点(A-site)形成十二面体,常见的元素有Ca、Mg、Na等,B位点是八面体,常见的元素有Al、Fe、Sc等,C位点呈四面体,常见的元素有Si、Ge、Li等,X位点作为这些多面体的顶点,常见的元素是O和F。这些元素的不同组合可以形成不同的化合物,如Ca3Al2Si3O12、Na3Sc2Si3F12等,不同的化合物所对应的带隙通常不同。
当所述固态电解质为石榴石时,由于石榴石的结构是固定的,不同石榴石的区别仅在于其组成元素,因此,可以从元素性质出发建立所述固态电解质的特征向量。具体地,计算每种组成元素的7个基本性质(偶极子极化率、原子序数、原子共价半径、范德瓦尔斯半径、电负性、第一电离能和价电子数),并将所述固态电解质中4种组成元素的基本性质连接成一行向量,即可构建一28维的特征向量,该特征向量如图2B所示。
于本发明的一实施例中,所述固态电解质的带隙类别包括第一类带隙(例如用0标记)和第二类带隙(例如用1标记),其中,所述第一类带隙是指所述固态电解质的带隙位于第一带隙范围内,用于指示所述电子电导率回归模型不能获取所述固态电解质的带隙,所述第二类带隙是指所述固态电解质的带隙位于第二带隙范围内,用于指示所述电子电导率回归模型能够获取所述固态电解质的带隙,所述第一带隙范围与所述第二带隙范围不重合,且所述第一带隙范围内的任一数值小于所述第二带隙范围内的任一数值。
特别地,当所述固态电解质为石榴石时,由于大部分石榴石的带隙范围是0-0.5eV,发明人通过研究和实践发现,带隙在0到0.5eV内的石榴石很难通过预测的方式直接获取其带隙,因此,当所述固态电解质为石榴石时,所述第一带隙范围为大于0小于等于0.5eV,所述第二带隙范围为大于0.5eV,即:当所述固态电解质的带隙大于0.5eV时,步骤S14能够利用所述电子电导率回归模型对所述固态电解质对应的特征向量进行处理以获取其带隙;当所述固态电解质的带隙小于0.5eV时,步骤S14不能利用所述电子电导率回归模型获取其带隙。
需要说明的是,除石榴石之外,其他固态电解质各自对应于不同的带隙,在实际应用中可以根据具体需求设置所述第一带隙范围和所述第二带隙范围,本发明对此不作限制。
本实施例中,通过将所述固态电解质的带隙划分为第一类带隙和第二类带隙,使得步骤S14只利用所述电子电导率回归模型对所述第二类带隙对应的固态电解质进行处理,能够保证步骤S14的预测结果具有较高的准确度。
请参阅图3,于本发明的一实施例中,所述电子电导率分类模型的训练方法包括:
S31,获取多个第一训练样本的材料信息,优选地,所述第一训练样本与所述固态电解质为相同或相近类型的材料。其中,所述第一训练样本的材料信息可以从现有数据库中获取,所述现有数据库例如ICSD、Materials Project、COD等材料数据库。
S32,根据各所述第一训练样本的材料信息进行特征工程,以获取各所述第一训练样本对应的特征向量。其中,获取各所述第一训练样本对应的特征向量的方法与步骤S12类似,此处不作赘述。
S33,获取各第一训练样本的带隙类别。具体地,可以从现有数据库中获取各所述第一训练样本的带隙,进而判断各所述第一训练样本的带隙类别,也可以采用实验测量等方式获取各所述第一训练样本的带隙,进而判断各所述第一训练样本的带隙类别。在判断出各所述第一训练样本的带隙类别以后,利用0或1对各所述第一训练样本进行标记,其中,0代表第一训练样本的带隙为第一类带隙,1代表第一训练样本的带隙为第二类带隙。例如,对于第一训练样本A,若通过查询数据库或实验测量等途径获取其带隙为0.3eV,则该第一训练样本A的带隙即为第一类带隙,将第一训练样本A标记为0。
在步骤S33中,对各所述第一训练样本进行的标记为各所述训练样本的真实标记。
S34,利用各所述第一训练样本对应的特征向量作为输入,利用各第一训练样本的带隙类别作为输出,对一分类模型进行训练直到所述分类模型的损失值满足第一预设条件,所述第一预设条件例如为所述分类模型的损失值达到最小。其中,所述分类模型可以是一个二分类(0-1)模型,所述分类模型的输出(预测值)被标记为0或1,所述分类模型可以采用现有的机器学习模型实现,对所述分类模型进行训练的方法可以采用现有算法实现。
优选地,步骤S34在对所述分类模型进行训练的过程中,所采用的损失函数为:其中,n为所述第一训练样本的数量,是所述分类模型预测得到的第i个第一训练样本的预测标记,是第i个第一训练样本的真实标记(也即步骤S33中的标记),l为绝对值函数,是所述分类模型的正则项,用于避免过拟合现象,fk是所述分类模型对应的函数(也即所述分类模型的输入到输出的映射函数)。对于所有的n个第一训练样本对应的特征向量,通过fk预测其标记,然后用该预测标记和真实标记之间的偏差得到模型的损失值,并利用梯度上升的优化方法来优化fk函数,直到所述分类模型的损失值满足第一预设条件,此时,对所述分类模型的训练完成,训练完成以后的所述分类模型即为所述电子电导率分类模型。
优选地,所述电子电导率分类模型的训练方法还包括:重复步骤S31~S33,直到所述电子电导率分类模型的预测精度达到85%以上,即:每100个第一训练样本中,预测的标记和真实的标记的至少有85个相同。此时,所述电子电导率分类模型能够对低电子电导率和高电子电导率的电解质准确分类,精度达到85%以上。
请参阅图4,于本发明的一实施例中,所述电子电导率回归模型的训练方法包括:
S41,获取多个第二训练样本的材料信息。优选地,所述第二训练样本与所述固态电解质为相同或相近类型的材料。其中,所述第二训练样本的材料信息可以从现有数据库中获取,所述现有数据库例如ICSD、Materials Project、COD等材料数据库。需要说明的是,所述第二训练样本与所述第一训练样本可以相同,也可以部分相同或完全不同。
S42,获取各所述第二训练样本的带隙类别,并根据各所述第二训练样本的带隙类别从所述第二训练样本中获取可用样本。具体地,可以从现有数据库中获取各所述第二训练样本的带隙,进而判断各所述第二训练样本的带隙类别,也可以采用实验测量等方式获取各所述第二训练样本的带隙,进而判断各所述第二训练样本的带隙类别。此外,也可以采用所述电子电导率分类模型获取各所述第二训练样本的带隙类别。所述可用样本是指能够利用所述电子电导率回归模型获取其带隙的第二训练样本,也即第二类带隙对应的第二训练样本。
S43,根据各所述可用样本的材料信息进行特征工程,以获取各所述可用样本对应的特征向量。其中,获取各所述第二训练样本对应的特征向量的方法与步骤S12类似,此处不作赘述。
S44,获取各所述可用样本的带隙。需要说明的是,若步骤S42已经获取各所述可用样本的带隙,则所述电子电导率回归模型的训练方法可以省略该步骤S44。
S45,利用各所述可用样本对应的特征向量作为输入,利用各所述可用样本的带隙作为输出,对一回归模型进行训练直到所述回归模型的损失值满足第二预设条件,所述第二预设条件例如为所述回归模型的损失值达到最小。所述回归模型可以采用现有的机器学习模型实现,对所述回归模型进行训练的方法可以采用现有算法实现。
优选地,步骤S45在对所述回归模型进行训练的过程中,所采用的损失函数为:其中,N为所述可用样本的数量,Yi pred是所述回归模型预测得到的第i个可用样本的预测带隙,Yi real是第i个可用样本的真实带隙,L为均方根误差函数或平方误差函数,是所述回归模型的正则项,用于避免过拟合现象,Fk是所述回归模型对应的函数(也即所述回归模型的输入到输出的映射函数)。对于所有的N个可用样本对应的特征向量,通过Fk预测其带隙,然后用该预测标记和真实标记之间的偏差得到模型的损失值,并利用梯度上升的优化方法来优化Fk函数,直到所述回归模型的损失值满足第二预设条件,此时,对所述回归模型的训练完成,训练完成以后的所述回归模型即为所述电子电导率回归模型。
优选地,所述电子电导率回归模型的训练方法还包括:重复步骤S41~S45,直到所述电子电导率回归模型的误差小于等于0.3eV,或预测带隙和真实带隙之间的均方根误差小于0.3eV。
于本发明的一实施例中,获取所述固态电解质的电子电导率的实现方法为:其中,σe为所述固态电解质的电子电导率,me和mh分别为电子(electron)和空穴(hole)的迁移率,通常二者的取值分别为常数1430 cm2 V-1 s-1和480 cm2 V-1 s-1;q为电子电荷量,其取值为1.6×10-19 C;DC和DV是态密度中的导带和价带,二者的取值分别为2.89×1019 cm-1和3.13×1019 cm-1;Eg是所述电子电导率回归模型获取的所述固态电解质的带隙,K是玻尔兹曼常数,T是温度。
基于以上对所述固态电解质电子电导率获取方法的描述,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现图1所示的固态电解质电子电导率获取方法。
基于以上对所述固态电解质电子电导率获取方法的描述,本发明还提供一种电子设备。具体地,请参阅图5,所述电子设备500包括存储器510、处理器520和显示器530。所述存储器510存储有一计算机程序;所述处理器520与所述存储器510通信相连,用于调用所述计算机程序时执行图1所示固态电解质电子电导率获取方法;所述显示器530与所述处理器520和所述存储器510通信相连,用于显示所述固态电解质电子电导率获取方法的相关GUI交互界面。
本发明所述固态电解质电子电导率获取方法的保护范围不限于本实施例列举的步骤执行顺序,凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
本发明提供了一种固态电解质电子电导率获取方法,用于通过机器学习方法建立高精度、高效率的电解质电子电导率预测模型,从而避免繁琐、昂贵的实验环节,降低对第一性原理计算的依赖。所述固态电解质电子电导率获取方法能够对电解质的电子电导率进行准确预测,为设计新型电解质材料提供理论指导,有利于加速固态电解质的研发并推动固态电池的发展。
本发明所述固态电解质电子电导率获取方法中,所述电子电导率分类模型和所述电子电导率回归模型对不同的输入数据均可以得到相应的输出目标,因而可以扩展至所有电解质材料中,具有高度的灵活性。
此外,所述固态电解质电子电导率获取方法可以选取易扩展、无需计算的组成元素的基本性质组成特征向量,且能够充分描述电解质及其电子电导率之间的关系。所述电子电导率分类模型能够对低电子电导率和高电子电导率的电解质准确分类,精度达到85%以上。所述电子电导率回归模型能够对电解质的电子电导率进行准确,误差可以控制在0.3eV以下。
综上所述,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种固态电解质电子电导率获取方法,其特征在于,用于获取一固态电解质的电子电导率,所述固态电解质电子电导率获取方法包括:
获取所述固态电解质的材料信息,所述固态电解质的材料信息包括所述固态电解质的元素信息;
根据所述固态电解质的材料信息进行特征工程,以获取所述固态电解质对应的特征向量;
利用一电子电导率分类模型对所述固态电解质对应的特征向量进行处理,以获取所述固态电解质的带隙类别;其中,所述固态电解质的带隙类别用于指示一电子电导率回归模型能否获取所述固态电解质的带隙,所述电子电导率分类模型为一训练好的分类模型,所述电子电导率回归模型为一训练好的回归模型;
若所述电子电导率回归模型能够获取所述固态电解质的带隙,利用所述电子电导率回归模型对所述固态电解质对应的特征向量进行处理,以获取所述固态电解质的带隙;
根据所述固态电解质的带隙,获取所述固态电解质的电子电导率。
2.根据权利要求1所述的固态电解质电子电导率获取方法,其特征在于,获取所述固态电解质对应的特征向量的实现方法包括:
获取所述固态电解质的组成元素;
计算各所述组成元素的基本性质;
将各所述组成元素的基本性质连接成一行向量,所述行向量即为所述固态电解质对应的特征向量。
3.根据权利要求2所述的固态电解质电子电导率获取方法,其特征在于:所述组成元素的基本性质包括偶极子极化率、原子序数、原子共价半径、范德瓦尔斯半径、电负性、第一电离能和/或价电子数。
4.根据权利要求1所述的固态电解质电子电导率获取方法,其特征在于:所述固态电解质的带隙类别包括第一类带隙和第二类带隙,其中,所述第一类带隙是指所述固态电解质的带隙位于第一带隙范围内,用于指示所述电子电导率回归模型不能获取所述固态电解质的带隙,所述第二类带隙是指所述固态电解质的带隙位于第二带隙范围内,用于指示所述电子电导率回归模型能够获取所述固态电解质的带隙,所述第一带隙范围与所述第二带隙范围不重合,且所述第一带隙范围内的任一数值小于所述第二带隙范围内的任一数值。
5.根据权利要求1所述的固态电解质电子电导率获取方法,其特征在于,所述电子电导率分类模型的训练方法包括:
获取多个第一训练样本的材料信息;
根据各所述第一训练样本的材料信息进行特征工程,以获取各所述第一训练样本对应的特征向量;
获取各第一训练样本的带隙类别;
利用各所述第一训练样本对应的特征向量作为输入,利用各第一训练样本的带隙类别作为输出,对一分类模型进行训练直到所述分类模型的损失值满足第一预设条件。
6.根据权利要求1所述的固态电解质电子电导率获取方法,其特征在于,所述电子电导率回归模型的训练方法包括:
获取多个第二训练样本的材料信息;
获取各所述第二训练样本的带隙类别,并根据各所述第二训练样本的带隙类别从所述第二训练样本中获取可用样本;
根据各所述可用样本的材料信息进行特征工程,以获取各所述可用样本对应的特征向量;
获取各所述可用样本的带隙;
利用各所述可用样本对应的特征向量作为输入,利用各所述可用样本的带隙作为输出,对一回归模型进行训练直到所述回归模型的损失值达满足第二预设条件。
8.根据权利要求1所述的固态电解质电子电导率获取方法,其特征在于:所述固态电解质为石榴石。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:该计算机程序被处理器执行时实现权利要求1-8任一项所述固态电解质电子电导率获取方法。
10.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有一计算机程序;
处理器,与所述存储器通信相连,调用所述计算机程序时执行权利要求1-8任一项所述固态电解质电子电导率获取方法;
显示器,与所述处理器和所述存储器通信相连,用于显示所述固态电解质电子电导率获取方法的相关GUI交互界面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110260572.3A CN112861268B (zh) | 2021-03-10 | 2021-03-10 | 一种固态电解质电子电导率获取方法、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110260572.3A CN112861268B (zh) | 2021-03-10 | 2021-03-10 | 一种固态电解质电子电导率获取方法、介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112861268A CN112861268A (zh) | 2021-05-28 |
CN112861268B true CN112861268B (zh) | 2022-05-10 |
Family
ID=75995230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110260572.3A Active CN112861268B (zh) | 2021-03-10 | 2021-03-10 | 一种固态电解质电子电导率获取方法、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861268B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115600511B (zh) * | 2022-12-01 | 2023-03-17 | 北京金羽新材科技有限公司 | 电解质材料预测方法、装置和计算机设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492287A (zh) * | 2018-10-30 | 2019-03-19 | 成都云材智慧数据科技有限公司 | 一种基于bp神经网络的固态电解质离子电导率预测方法 |
WO2020076181A1 (en) * | 2018-10-12 | 2020-04-16 | Massachusetts Institute Of Technology | Elastic strain engineering of materials |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101792975B1 (ko) * | 2017-04-25 | 2017-11-02 | 한국기술교육대학교 산학협력단 | 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법 |
KR20200026607A (ko) * | 2018-09-03 | 2020-03-11 | 엘지전자 주식회사 | 배터리를 포함하는 장치 |
KR20190100114A (ko) * | 2019-08-09 | 2019-08-28 | 엘지전자 주식회사 | 배터리 장치 및 그 제어 방법 |
US20210098084A1 (en) * | 2019-09-30 | 2021-04-01 | Nissan North America, Inc. | Method and System for Material Screening |
-
2021
- 2021-03-10 CN CN202110260572.3A patent/CN112861268B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020076181A1 (en) * | 2018-10-12 | 2020-04-16 | Massachusetts Institute Of Technology | Elastic strain engineering of materials |
CN109492287A (zh) * | 2018-10-30 | 2019-03-19 | 成都云材智慧数据科技有限公司 | 一种基于bp神经网络的固态电解质离子电导率预测方法 |
Non-Patent Citations (1)
Title |
---|
《基于机器学习的固态电解质构效模型研究》;刘芬芬;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20200131;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112861268A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aykol et al. | Machine learning for continuous innovation in battery technologies | |
Paulson et al. | Feature engineering for machine learning enabled early prediction of battery lifetime | |
Zhao et al. | Machine learning for predicting battery capacity for electric vehicles | |
Mao et al. | Machine learning of materials design and state prediction for lithium ion batteries | |
CN106597311A (zh) | 基于主成分分析的融合hi等效性锂离子电池退化预测方法 | |
CN112861268B (zh) | 一种固态电解质电子电导率获取方法、介质及电子设备 | |
Deng et al. | Battery health evaluation using a short random segment of constant current charging | |
Keshun et al. | Remaining useful life prediction of lithium-ion batteries using EM-PF-SSA-SVR with gamma stochastic process | |
Luo et al. | A simple feature extraction method for estimating the whole life cycle state of health of lithium-ion batteries using transformer-based neural network | |
Qiu et al. | Machine learning promotes the development of all-solid-state batteries | |
Tang et al. | Health and lifespan prediction considering degradation patterns of lithium-ion batteries based on transferable attention neural network | |
Nazari et al. | Lithium-ion batteries’ energy efficiency prediction using physics-based and state-of-the-art artificial neural network-based models | |
Liu et al. | Review on degradation mechanism and health state estimation methods of lithium-ion batteries | |
CN115392029A (zh) | 一种基于kwltsa的锂电池热工艺时空建模方法 | |
Jiao et al. | A lightgbm based framework for lithium-ion battery remaining useful life prediction under driving conditions | |
Dong et al. | Data-driven predictive prognostic model for power batteries based on machine learning | |
Zheng et al. | Artificial intelligence-driven rechargeable batteries in multiple fields of development and application towards energy storage | |
Wang et al. | Long short-term memory network with transfer learning for lithium-ion battery capacity fade and cycle life prediction | |
Wang et al. | IonML: A physically inspired machine learning platform to directed design superionic conductors | |
Ghosh et al. | Engineering design of battery module for electric vehicles: comprehensive framework development based on density functional theory, topology optimization, machine learning, multidisciplinary design optimization, and digital twins | |
Chen et al. | Artificial intelligence for the understanding of electrolyte chemistry and electrode interface in lithium battery | |
Liu et al. | An Online Estimation Method of State of Health for Lithium-Ion Batteries Based on Constant Current Charging Curve | |
Fernandez et al. | Towards a fast-charging of LIBs electrode materials: a heuristic model based on galvanostatic simulations | |
Li et al. | Lithium Battery Remaining Useful Life Prediction Based on Multi-Kernel Support Vector Regression With Hybrid Optimization Algorithm | |
Yuan et al. | Progress in the prognosis of battery degradation and estimation of battery states |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |