CN115600511B - 电解质材料预测方法、装置和计算机设备 - Google Patents
电解质材料预测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN115600511B CN115600511B CN202211524182.3A CN202211524182A CN115600511B CN 115600511 B CN115600511 B CN 115600511B CN 202211524182 A CN202211524182 A CN 202211524182A CN 115600511 B CN115600511 B CN 115600511B
- Authority
- CN
- China
- Prior art keywords
- initial
- migration energy
- prediction model
- target
- electrolyte
- 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]
- G06F30/20—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Fuel Cell (AREA)
Abstract
本申请提供一种电解质材料预测方法、装置和计算机设备,属于计算机技术领域。该方法包括:确定与多个初始材料组对应的实际离子迁移能,各初始材料组中包括多种不同的材料,各初始材料组中各材料的成分比例不同;根据各初始材料组和与各初始材料组对应的实际离子迁移能,对初始迁移能预测模型进行迭代训练和修正,得到中间迁移能预测模型;根据中间迁移能预测模型,构建多个目标材料组;基于多个目标材料组,对中间迁移能预测模型进行迭代训练和修正,得到目标迁移能预测模型,目标迁移能预测模型用于预测基于各材料组制作的电解质的离子迁移能。本申请可以达到提高确定电解质的最优成分的效率和可靠性的效果。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种电解质材料预测方法、装置和计算机设备。
背景技术
随着电池技术的发展,储能技术得到了长足的发展,各种各样的电池出现在了人们的工作生活中,比如锂离子电池等,并且这些电池中一般都存在用于传输离子的电解质。
一般地,不同成分的电解质具有不同的扩散系数和离子迁移能,相关技术中,相关技术人员需要使用各种成分以不同的比例制备出多种电解质,然后对各种电解质进行相应电学实验得到用于指示电解质性能的实验结果,并需要根据实验结果对电解质的成分进行多次微调,以确定出电解质的最优成分进而提升制造出的电池的电导率。
然而,相关技术的方案流程复杂,并且需要大量人工花费大量时间进行实验,难免存在误差。因此,相关技术的方案在确定电解质的最优成分时存在效率和可靠性较差的问题。
发明内容
本申请的目的在于提供一种电解质材料预测方法、装置和计算机设备,可以达到提高确定电解质的最优成分的效率和可靠性的效果。
本申请的实施例是这样实现的:
本申请实施例的第一方面,提供一种电解质材料预测方法,所述方法包括:
确定与多个初始材料组对应的实际离子迁移能,各所述初始材料组中包括多种不同的材料,各所述初始材料组中各所述材料的成分比例不同;
根据各所述初始材料组和与各所述初始材料组对应的实际离子迁移能,对初始迁移能预测模型进行迭代训练和修正,得到中间迁移能预测模型;
根据所述中间迁移能预测模型,构建多个目标材料组;
基于所述多个目标材料组,对所述中间迁移能预测模型进行迭代训练和修正,得到目标迁移能预测模型,所述目标迁移能预测模型用于预测基于材料组制作的电解质的离子迁移能。
可选地,所述确定与多个初始材料组对应的实际离子迁移能,包括:
根据各所述初始材料组分别建立虚拟电解质模型;
根据各所述虚拟电解质模型进行仿真计算,以确定各所述虚拟电解质模型的离子迁移能;
将各所述虚拟电解质模型的离子迁移能作为对应的各所述初始材料组的实际离子迁移能。
可选地,所述根据各所述虚拟电解质模型进行仿真计算,以确定各所述虚拟电解质模型的离子迁移能,包括:
对所述虚拟电解质模型进行结构弛豫,并在结构弛豫后的虚拟电解质模型中移除两个等价的目标离子,得到调整后虚拟电解质模型;
根据所述虚拟电解质模型和所述调整后虚拟电解质模型进行仿真反应,得到初始离子迁移路径,所述初始离子迁移路径用于指示所述目标离子迁移时的扩散路径;
根据所述初始离子迁移路径确定所述目标离子迁移时的过渡态能垒,并将所述过渡态能垒作为所述虚拟电解质模型的离子迁移能。
可选地,所述根据各所述初始材料组和与各所述初始材料组对应的实际离子迁移能,对初始迁移能预测模型进行迭代训练和修正,得到中间迁移能预测模型,包括:
基于各所述初始材料组和与各所述初始材料组对应的实际离子迁移能分别建立初始训练集和初始测试集,所述初始训练集和所述初始测试集中分别包括至少一个所述初始材料组和相应的实际离子迁移能,所述初始训练集中包括的初始材料组与所述初始测试集中包括的初始材料组不同;
将所述初始测试集中包括的初始材料组输入所述初始迁移能预测模型,得到初始预测迁移能;
根据各所述初始预测迁移能和各所述初始材料组对应的实际离子迁移能确定所述初始迁移能预测模型是否满足预设条件,若否,则对所述初始样本集以及所述初始迁移能预测模型分别进行调整,并基于调整后的初始样本集对调整后的初始迁移能预测模型重新进行训练;
若是,则将满足所述预设条件的所述初始迁移能预测模型作为所述中间迁移能预测模型。
可选地,所述根据所述中间迁移能预测模型,构建多个目标材料组,包括:
对所述初始材料组进行贝叶斯采样,得到多个中间材料组;
将所述多个中间材料组分别输入所述中间迁移能预测模型,得到多个第一预测结果,各所述第一预测结果用于指示所述中间迁移能预测模型预测得到的各所述中间材料组的第一预测离子迁移能;
根据各所述第一预测离子迁移能从各所述中间材料组中确定所述多个目标材料组。
可选地,所述基于所述目标材料组,对所述中间迁移能预测模型进行迭代训练和修正,得到目标迁移能预测模型,包括:
基于各所述目标材料组和各所述目标材料组对应的实际离子迁移能分别建立目标训练集和目标测试集;
将所述目标测试集中包括的目标材料组输入所述中间迁移能预测模型,得到目标预测迁移能;
根据各所述目标预测迁移能和各所述目标材料组对应的实际离子迁移能确定所述中间迁移能预测模型是否满足预设条件,若否,则对所述目标样本集以及所述中间迁移能预测模型分别进行调整,并基于调整后的目标样本集对调整后的中间迁移能预测模型重新进行训练;
若是,则将满足所述预设条件的所述中间迁移能预测模型作为所述目标迁移能预测模型。
可选地,所述方法还包括:
将多个待预测材料组输入所述目标迁移能预测模型,确定与各所述待预测材料组对应的最终预测迁移能;
根据各所述最终预测迁移能从各所述待预测材料组中确定出至少一组预测电解质材料组和各所述预测电解质材料组中各材料的成分比例。
本申请实施例的第二方面,提供了一种电解质材料预测装置,所述电解质材料预测装置包括:
确定模块,用于确定与多个初始材料组对应的实际离子迁移能,各所述初始材料组中包括多种不同的材料,各所述初始材料组中各所述材料的成分比例不同;
第一训练模块,用于根据各所述初始材料组和与各所述初始材料组对应的实际离子迁移能,对初始迁移能预测模型进行迭代训练和修正,得到中间迁移能预测模型;
构建模块,用于根据所述中间迁移能预测模型,构建多个目标材料组;
第二训练模块,用于基于所述多个目标材料组,对所述中间迁移能预测模型进行迭代训练和修正,得到目标迁移能预测模型,所述目标迁移能预测模型用于预测基于材料组制作的电解质的离子迁移能。
本申请实施例的第三方面,提供了一种计算机设备,所述计算机设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述第一方面所述的电解质材料预测方法。
本申请实施例的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的电解质材料预测方法。
本申请实施例的有益效果包括:
本申请实施例提供的一种电解质材料预测方法,通过确定与多个初始材料组对应的实际离子迁移能,根据各初始材料组和与各初始材料组对应的实际离子迁移能,对初始迁移能预测模型进行迭代训练和修正,得到中间迁移能预测模型,基于该多个目标材料组,对该中间迁移能预测模型进行迭代训练和修正,得到目标迁移能预测模型。
其中,确定与多个初始材料组对应的实际离子迁移能,根据各初始材料组和与各初始材料组对应的实际离子迁移能,对初始迁移能预测模型进行迭代训练和修正,得到中间迁移能预测模型。这样可以提升该初始迁移能预测模型预测不同材料组的离子迁移能的准确性,进而确保得到的该中间迁移能预测模型预测离子迁移能的准确性。
根据该中间迁移能预测模型,构建多个目标材料组。由于各目标材料组中的材料的成分比例之和不变,而各材料的成分比例的调整步长变小,这样,就可以实现扩大训练模型的训练样本的目的。
基于该多个目标材料组,对该中间迁移能预测模型进行迭代训练和修正,得到目标迁移能预测模型。这样,可以提升该中间迁移能预测模型预测不同材料组的离子迁移能的准确性,进而确保得到的该目标迁移能预测模型预测离子迁移能的准确性。
另外,在用户或相关技术人员将任一材料组输入到该目标迁移能预测模型之后,该目标迁移能预测模型就可以输出与这任一材料组对应的离子迁移能,而不需要花费大量时间和人工对每一材料组都进行实验,这样,就可以提高确定电解质的最优成分的效率。
如此,可以达到提高确定电解质的最优成分的效率和可靠性的效果。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的第一种电解质材料预测方法的流程图;
图2为本申请实施例提供的第二种电解质材料预测方法的流程图;
图3为本申请实施例提供的第三种电解质材料预测方法的流程图;
图4为本申请实施例提供的第四种电解质材料预测方法的流程图;
图5为本申请实施例提供的第五种电解质材料预测方法的流程图;
图6为本申请实施例提供的第六种电解质材料预测方法的流程图;
图7为本申请实施例提供的第七种电解质材料预测方法的流程图;
图8为本申请实施例提供的第八种电解质材料预测方法的流程图;
图9为本申请实施例提供的一种电解质材料预测装置的结构示意图;
图10为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中,需要说明的是,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在相关技术中,不同成分的电解质具有不同的扩散系数和离子迁移能,相关技术中,相关技术人员需要使用各种成分以不同的比例制备出多种电解质,然后对各种电解质进行相应电学实验得到用于指示电解质性能的实验结果,并需要根据实验结果对电解质的成分进行多次微调,以确定出电解质的最优成分进而提升制造出的电池的电导率。然而,相关技术的方案流程复杂,并且需要大量人工花费大量时间进行实验,难免存在误差。因此,相关技术的方案在确定电解质的最优成分时存在效率和可靠性较差的问题。
为此,本申请实施例提供了电解质材料预测方法,通过确定与多个初始材料组对应的实际离子迁移能,根据各初始材料组和与各初始材料组对应的实际离子迁移能,对初始迁移能预测模型进行迭代训练和修正,得到中间迁移能预测模型,根据该中间迁移能预测模型,构建多个目标材料组;基于该多个目标材料组,对该中间迁移能预测模型进行迭代训练和修正,得到目标迁移能预测模型,该目标迁移能预测模型用于预测基于材料组制作的电解质的离子迁移能,可以达到提高确定电解质的最优成分的效率和可靠性的效果。
本申请实施例以应用在计算机设备中的电解质材料预测方法为例进行说明。但不表明本申请实施例仅能应用于计算机设备中训练用于电解质材料预测的模型。
下面对本申请实施例提供的电解质材料预测方法进行详细地解释说明。
图1为本申请提供的一种电解质材料预测方法的流程图,该方法可以应用于计算机设备,该计算机设备可以是任一的终端设备或服务器。参见图1,本申请实施例提供一种电解质材料预测方法,包括:
步骤1001:确定与多个初始材料组对应的实际离子迁移能。
可选地,各初始材料组中包括多种不同的材料。各初始材料组中各材料的成分比例不同。
可选地,该实际离子迁移能可以是指对各初始材料组进行实测得到的各初始材料组对应的离子迁移能垒,也可以是指对各初始材料组进行仿真计算得到的各初始材料组对应的离子迁移能垒。
示例性地,各初始材料组中的各材料可以分别指一种离子,该电解质材料可以是Li6PS5X,其中Li为锂离子,P为磷离子,S为硫离子,X可以是Cl(氯离子)、Br(溴离子)和/或I(碘离子)。
那么,该初始材料组就可以包括Li、P、S、Cl、Br和/或I等材料,一般地,由于化合价一般为0,那么Li、P、S的数量就可以根据Cl、Br和/或I的数量来确定。
例如,可以按照下表1来设置各初始材料组中的材料以及设置各材料的成分比例。
表1
可见,在表1中Cl、Br和/或I的比例之和为1。
并且,从表1中示出的Cl、Br和/或I的比例可见,各材料的成分比例的调整步长为0.25。
另外,表1中还示出了各初始材料组对应的实际离子迁移能的数值。
各初始材料组中的各材料的成分比例的调整步长也可以是其他任意可能的大于0的值,本申请实施例对此不做限定。
值得注意的是,由于初始材料组的离子迁移能可以用于指示根据该初始材料组制成的电解质的扩散系数和电导率,因此得到各初始材料组对应的实际离子迁移能,就可以便于执行后续训练预测模型的步骤。
步骤1002:根据各初始材料组和与各初始材料组对应的实际离子迁移能,对初始迁移能预测模型进行迭代训练和修正,得到中间迁移能预测模型。
可选地,该初始迁移能预测模型可以是神经网络模型。
并且,该初始迁移能预测模型可以是以高斯过程回归为机器学习回归函数的模型,本申请实施例对此不做限定。
该初始迁移能预测模型是用于预测不同材料组对应的离子迁移能的。
可选地,该中间迁移能预测模型是训练后满足特定条件的初始迁移能预测模型。一般地,该特定条件可以是由相关技术人员根据实际需要设置的,可以用于筛选误差较小的初始迁移能预测模型。
值得说明的是,根据各初始材料组和与各初始材料组对应的实际离子迁移能对该初始迁移能预测模型进行迭代训练和修正之后,就可以提升该初始迁移能预测模型预测不同材料组的离子迁移能的准确性,那么就可以确保得到的该中间迁移能预测模型预测离子迁移能的准确性。
可以理解的是,该中间迁移能预测模型预测不同材料组的离子迁移能的性能相比该初始迁移能预测模型得到了极大提升。
步骤1003:根据该中间迁移能预测模型,构建多个目标材料组。
可选地,各目标材料组中也可以包括多种不同的材料,一般地,各目标材料组中的材料与各初始材料组中的材料相同或相似。
并且,各目标材料组中各材料的成分比例也不相同。
示例性地,各目标材料组中也可以包括Li、P、S、Cl、Br和/或I等材料。可以按照下表2来设置各目标材料组中的材料以及各材料的成分比例。
表2
可见,表2中Cl、Br和/或I的比例之和依旧为1。从表2中示出的Cl、Br和/或I的比例可见,各材料的成分比例的调整步长为0.1。
可选地,各目标材料组中的各材料的成分比例的调整步长也可以是其他任意可能的大于0的值,一般地,各目标材料组中的各材料的成分比例的调整步长小于各初始材料组中的各材料的成分比例的调整步长。
值得注意的是,由于各目标材料组中的材料的成分比例之和不变,而各材料的成分比例的调整步长变小,那么得到的各材料的不同成分比例的组合就会变多,也就是说,各目标材料组的数量比各初始材料组的数量多,这样,就可以实现扩大训练模型的训练样本的目的。
步骤1004:基于该多个目标材料组,对该中间迁移能预测模型进行迭代训练和修正,得到目标迁移能预测模型。
可选地,该目标迁移能预测模型可以用于预测基于各材料组制作的电解质的离子迁移能,各材料组可以是具有任意材料的材料组,也可以是与具有与该初始材料组和/或该目标材料组的材料相同或相似的材料的材料组,本申请实施例对此不做限定。
该目标迁移能预测模型可以是指训练后满足一定条件的中间迁移能预测模型。
值得说明的是,根据各目标材料组对该中间迁移能预测模型进行迭代训练和修正之后,就可以提升该中间迁移能预测模型预测不同材料组的离子迁移能的准确性,进而就可以确保得到的该目标迁移能预测模型预测离子迁移能的准确性。
可以理解的是,由于经过了数量更多的该目标材料组的迭代训练,该目标迁移能预测模型预测不同材料组的离子迁移能的性能相比该中间迁移能预测模型得到了极大提升。
需要说明的是,经过上述步骤就可以得到一个能够准确地预测出不同材料组的离子迁移能的目标迁移能预测模型。在用户或相关技术人员将任一材料组输入到该目标迁移能预测模型之后,该目标迁移能预测模型就可以输出与这任一材料组对应的离子迁移能,而不需要花费大量时间和人工对每一材料组都进行实验,这样,就可以提高确定电解质的最优成分的效率。
在本申请实施例中,通过确定与多个初始材料组对应的实际离子迁移能,根据各初始材料组和与各初始材料组对应的实际离子迁移能,对初始迁移能预测模型进行迭代训练和修正,得到中间迁移能预测模型,基于该多个目标材料组,对该中间迁移能预测模型进行迭代训练和修正,得到目标迁移能预测模型。
其中,确定与多个初始材料组对应的实际离子迁移能,根据各初始材料组和与各初始材料组对应的实际离子迁移能,对初始迁移能预测模型进行迭代训练和修正,得到中间迁移能预测模型。这样可以提升该初始迁移能预测模型预测不同材料组的离子迁移能的准确性,进而确保得到的该中间迁移能预测模型预测离子迁移能的准确性。
根据该中间迁移能预测模型,构建多个目标材料组。由于各目标材料组中的材料的成分比例之和不变,而各材料的成分比例的调整步长变小,这样,就可以实现扩大训练模型的训练样本的目的。
基于该多个目标材料组,对该中间迁移能预测模型进行迭代训练和修正,得到目标迁移能预测模型。这样,可以提升该中间迁移能预测模型预测不同材料组的离子迁移能的准确性,进而确保得到的该目标迁移能预测模型预测离子迁移能的准确性。
另外,在用户或相关技术人员将任一材料组输入到该目标迁移能预测模型之后,该目标迁移能预测模型就可以输出与这任一材料组对应的离子迁移能,而不需要花费大量时间和人工对每一材料组都进行实验,这样,就可以提高确定电解质的最优成分的效率。
如此,可以达到提高确定电解质的最优成分的效率和可靠性的效果。
一种可能的实现方式中,参见图2,确定与多个初始材料组对应的实际离子迁移能,包括:
步骤1005:根据各初始材料组分别建立虚拟电解质模型。
可选地,该虚拟电解质模型可以是指根据各初始材料组建立的电解质结构的仿真模型。
示例性地,若需要预测的电解质材料是Li6PS5X,也即各初始材料组中包括Li、P、S、Cl、Br和/或I等材料,那么该虚拟电解质模型就可以是指Li6PS5X的单胞晶格模型,且该虚拟电解质模型的空间群为F-43m。
步骤1006:根据各虚拟电解质模型进行仿真计算,以确定各虚拟电解质模型的离子迁移能。
可选地,可以利用相应的算法或软件来进行仿真计算,比如MaterialsStudio软件、NEB算法,本申请实施例对此不做限定。
这样,就可以准确地确定出各虚拟电解质模型的离子迁移能。
步骤1007:将各虚拟电解质模型的离子迁移能作为对应的各初始材料组的实际离子迁移能。
值得注意的是,由于各虚拟电解质模型可以是指根据各初始材料组建立的电解质结构的仿真模型,那么各虚拟电解质模型就与实际根据各初始材料组建立的电解质结构相同,因此,各虚拟电解质模型就具有与实际根据各初始材料组建立的电解质相同的物理、化学性质。
因此可以将各虚拟电解质模型的离子迁移能作为对应的各初始材料组的实际离子迁移能,这样,就可以准确、快速地计算出各初始材料组对应的实际离子迁移能。
一种可能的实现方式中,参见图3,根据各虚拟电解质模型进行仿真计算,以确定各虚拟电解质模型的离子迁移能,包括:
步骤1008:对该虚拟电解质模型进行结构弛豫,并在结构弛豫后的虚拟电解质模型中移除两个等价的目标离子,得到调整后虚拟电解质模型。
可选地,对该虚拟电解质模型进行结构弛豫可以是指使得玻璃态结构在适当温度下的进行渐变的过程。这样,可以使得玻璃态结构内部的一些原子、离子或分子局部重排。
由于该虚拟电解质模型是一个仿真模型,那么就可以是使得该虚拟电解质模型进行虚拟的结构弛豫仿真,以准确地模拟出真实电解质结构的结构弛豫过程。
可选地,若该电解质材料为Li6PS5X,该目标离子就可以是锂离子。
示例性地,两个等价的目标离子可以是指在该虚拟电解质模型中两个位于48h位、等价的锂离子。也就是说,得到的调整后虚拟电解质模型就是含有至少一个锂离子空位的虚拟电解质模型。
值得注意的是,在得到该调整后虚拟电解质模型之后,还可以对该调整后虚拟电解质模型重新进行结构弛豫。这样,便于进行离子迁移的仿真,以准确地计算出该虚拟电解质模型进行离子迁移时需要的离子迁移能。
步骤1009:根据该虚拟电解质模型和该调整后虚拟电解质模型进行仿真反应,得到初始离子迁移路径。
可选地,该初始离子迁移路径用于指示该目标离子迁移时的扩散路径。
具体地,该初始离子迁移路径可以用于指示该目标离子在该调整后虚拟电解质模型迁移得到该虚拟电解质模型的路径。
步骤1010:根据该初始离子迁移路径确定该目标离子迁移时的过渡态能垒,并将该过渡态能垒作为该虚拟电解质模型的离子迁移能。
可选地,过渡态可以是指反应物体系转变成产物体系过程中,经过的能量最高时的状态。
能垒是指反应物体系转变成产物体系过程中所需的最低能量值。在本申请实施例中,过渡态能垒也即实现离子迁移所需的最低能量值,也即该虚拟电解质模型的离子迁移能。
示例性地,可以通过将该调整后虚拟电解质模型作为仿真反应的起点,将该虚拟电解质模型作为仿真反应的终点,并调用MaterialsStudio中的Reaction Preview功能,生成该初始离子迁移路径。然后,调用Castep程序或DMol3程序中的TS search功能对该初始离子迁移路径进行计算,确定出从该调整后虚拟电解质模型进行迁移反应得到该虚拟电解质模型所需要的过渡态能垒,进而可以准确地确定出该虚拟电解质模型的离子迁移能,进而提高训练上述初始迁移能预测模型、中间迁移能预测模型的可靠性。
一种可能的实现方式中,参见图4,根据各初始材料组和与各初始材料组对应的实际离子迁移能,对初始迁移能预测模型进行迭代训练和修正,得到中间迁移能预测模型,包括:
步骤1011:基于各初始材料组和与各初始材料组对应的实际离子迁移能分别建立初始训练集和初始测试集。
可选地,该初始训练集和该初始测试集中分别包括至少一个该初始材料组和相应的实际离子迁移能。
该初始训练集中包括的初始材料组与该初始测试集中包括的初始材料组不同。一般地,该初始训练集的数量大于该初始测试集的数量,这样,可以确保对该初始迁移能预测模型进行训练的精度较高。
示例性地,继续参见上述表1,各初始样本集可以是各初始材料组中的任意12组,以及这12组初始材料组对应的实际离子迁移能。各初始测试集可以是除了这任意12组之外的3组初始材料组,以及这3组初始材料组对应的实际离子迁移能。
另外,各初始样本集和各初始测试集分别也可以是其他数量的初始材料组以及对应的实际离子迁移能,本申请实施例对此不做限定。
这样,就可以得到用于训练该初始迁移能预测模型的初始训练集和初始测试集,以便后续对该初始迁移能预测模型进行训练和修正。
步骤1012:将该初始测试集中包括的初始材料组输入该初始迁移能预测模型,得到初始预测迁移能。
可选地,该初始迁移能预测模型可以是以各初始材料组中的各离子的化学计量数为特征、各初始材料组的离子迁移能为标签,并且以高斯过程回归为机器学习回归函数的机器学习模型。
示例性地,该初始迁移能预测模型的核函数可以是包括常规核函数、径向基函数以及马特恩函数的一种或多种的函数。
该常规核函数可以是任一常见的核函数,该径向基函数可以是:(RBF, length_scale=0.4,length_scale_bounds=(10-4, 104) )。
又例如,该初始迁移能预测模型的核函数可以是由该常规核函数乘以该径向基函数,并加上该马特恩函数构成的。本申请实施例对此不做限定。
可选地,该初始预测迁移能是指经过该初始样本集训练后的该初始迁移能预测模型,预测得到的该初始测试集中的初始材料组的预测迁移能。
各初始预测迁移能可以用于表征该初始迁移能预测模型的预测精度。
步骤1013:根据各初始预测迁移能和各初始材料组对应的实际离子迁移能确定该初始迁移能预测模型是否满足预设条件,若否,则对该初始样本集以及该初始迁移能预测模型分别进行调整,并基于调整后的初始样本集对调整后的初始迁移能预测模型重新进行训练。
可选地,该预设条件可以是由相关技术人员设置的用于检验该初始迁移能预测模型的预测精度的条件,本申请实施例对此不做限定。
一般地,该预设条件可以是指该初始测试集中包括的初始材料组对应的初始预测迁移能和实际离子迁移能进行协方差计算得到的结果小于预设阈值。该预设阈值可以是0.3。
另外,对该初始样本集进行调整,可以是指重新从各初始材料组中随机选择与原来初始样本集中材料组数量相同的初始材料组作为新的初始样本集。该初始迁移能预测模型进行调整,可以是指重新调整该初始迁移能预测模型的核函数或模型参数,本申请实施例对此不做限定。
值得注意的是,在确定该初始迁移能预测模型不满足该预设条件的情况下,可以确定该初始迁移能预测模型的预测精度较低,还需要重新进行训练。
步骤1014:若是,则将满足该预设条件的该初始迁移能预测模型作为该中间迁移能预测模型。
值得注意的是,在确定该初始迁移能预测模型满足该预设条件的情况下,可以确定该初始迁移能预测模型的预测精度较高,可以作为该中间迁移能预测模型。这样,就可以确保得到的该中间迁移能预测模型的预测精度较高,进而可以提高训练上述目标迁移能预测模型的可靠性。
一种可能的实现方式中,参见图5,根据该中间迁移能预测模型,构建多个目标材料组,包括:
步骤1015:对该初始材料组进行贝叶斯采样,得到多个中间材料组。
示例性地,对该初始材料组进行贝叶斯采样具体可以是通过调小该初始材料组中各材料的成分比例的步长,这样,各材料组之间各材料的成分比例的差异会更小,也会得到更多的、不同的成分比例,以扩大训练模型的训练样本。
步骤1016:将该多个中间材料组分别输入该中间迁移能预测模型,得到多个第一预测结果。
可选地,各第一预测结果用于指示该中间迁移能预测模型预测得到的各中间材料组的第一预测离子迁移能。
该第一预测离子迁移能用于指示基于对应的中间材料组制成的电解质的离子迁移能。
可选地,输入该中间迁移能预测模型中的该多个中间材料组可以是从各中间材料组中随机选取的多个中间材料组,本申请实施例对此不作限定。
步骤1017:根据各第一预测离子迁移能从各中间材料组中确定该多个目标材料组。
示例性地,在第一次执行完成步骤1016之后,还可以再重复执行步骤1015和步骤1016多次,比如11次。并且,在每一次执行完成步骤1016后,还可以记录与该中间迁移能预测模型输出的最小的12组第一预测离子迁移能对应的中间材料组,在一共执行完成12次步骤1016后,就会得到共144组第一预测离子迁移能,以及144组对应的中间材料组。
可以对这144组中间材料组进行并集处理,再从并集中获取对应的第一预测离子迁移能最小的12组中间材料组作为该多个目标材料组。
这样,就可以准确地得到对应的离子迁移能较小的各目标材料组,可以提高训练该中间迁移能预测模型和得到该目标迁移能预测模型的可靠性。
值得注意的是,在本申请实施例中,可以共执行12次步骤1016、记录最小的12组第一预测离子迁移能对应的中间材料组为例进行说明,但并不代表本申请实施例提供的电解质材料预测方法仅能以这样的方式进行,本申请实施例对此不做限定。
一种可能的实现方式中,参见图6,基于该目标材料组,对该中间迁移能预测模型进行迭代训练和修正,得到目标迁移能预测模型,包括:
步骤1018:基于各目标材料组和各目标材料组对应的实际离子迁移能分别建立目标训练集和目标测试集。
可选地,该目标训练集和该目标测试集中分别包括至少一个该目标材料组和相应的实际离子迁移能。
可以通过与上述步骤1005-1010的方式类似的方式确定该目标材料组的实际离子迁移能,本申请实施例对此不做限定。
该目标训练集中包括的目标材料组与该目标测试集中包括的目标材料组不同。一般地,该目标训练集的数量大于该目标测试集的数量,这样,可以确保对该中间迁移能预测模型进行训练的精度较高。
示例性地,各目标样本集可以是各目标材料组中的任意9组,以及这9组初始材料组对应的实际离子迁移能。各目标测试集可以是除了这任意9组之外的3组目标材料组,以及这3组目标材料组对应的实际离子迁移能。
这样,就可以得到用于训练该目标迁移能预测模型的目标训练集和目标测试集,以便后续对该中间迁移能预测模型进行训练和修正。
步骤1019:将该目标测试集中包括的目标材料组输入该中间迁移能预测模型,得到目标预测迁移能。
可选地,该目标预测迁移能是指经过该目标样本集训练后的该中间迁移能预测模型,预测得到的该目标测试集中的目标材料组的预测迁移能。
各目标预测迁移能可以用于表征该中间迁移能预测模型的预测精度。
步骤1020:根据各目标预测迁移能和各目标材料组对应的实际离子迁移能确定该中间迁移能预测模型是否满足预设条件,若否,则对该目标样本集以及该中间迁移能预测模型分别进行调整,并基于调整后的目标样本集对调整后的中间迁移能预测模型重新进行训练。
可选地,该预设条件可以是由相关技术人员设置的用于检验该中间迁移能预测模型的预测精度的条件,本申请实施例对此不做限定。
一般地,该预设条件可以是指该初始测试集中包括的初始材料组对应的目标预测迁移能和实际离子迁移能进行协方差计算得到的结果小于预设阈值。
另外,对该目标样本集进行调整,可以是指重新从各目标材料组中随机选择与原来目标样本集中材料组数量相同的目标材料组作为新的目标样本集。该中间迁移能预测模型进行调整,可以是指重新调整该中间迁移能预测模型的核函数或模型参数,本申请实施例对此不做限定。
值得注意的是,在确定该中间迁移能预测模型不满足该预设条件的情况下,可以确定该中间迁移能预测模型的预测精度较低,还需要重新进行训练。
步骤1021:若是,则将满足该预设条件的该中间迁移能预测模型作为该目标迁移能预测模型。
值得注意的是,在确定该中间迁移能预测模型满足该预设条件的情况下,可以确定该中间迁移能预测模型的预测精度较高,可以作为该目标迁移能预测模型。这样,就可以确保得到的该目标迁移能预测模型的预测精度较高,进而可以提高训练该目标迁移能预测模型的可靠性。
一种可能的实现方式中,参见图7,该方法还包括:
步骤1022:将多个待预测材料组输入该目标迁移能预测模型,确定与各待预测材料组对应的最终预测迁移能。
可选地,各待预测材料组可以是指需要进行迁移能预测的任意材料组。各待预测材料组中也可以包括多种不同的材料。
一般地,各待预测材料组中的材料可以与各目标材料组中的材料和/或各初始材料组中的材料相同或相似,比如,Li、P、S、Cl、Br和/或I等材料。这样,可以确保预测出的该最终预测迁移能的准确性和可靠性。
示例性地,可以通过进一步降低上述各初始材料组或各中间材料组中的各材料的成分比例的调整步长,比如可以将调整步长设置为0.025来得到各待预测材料组。这样,各待预测材料组之间各材料的成分比例的差异比各初始材料组或各中间材料组会更小,也会得到更多的、不同的成分比例,以准确地、可靠地确定出数量众多的各待预测材料组对应的最终预测迁移能。
可选地,该最终预测迁移能可以是指经过该目标迁移能预测模型,预测得到的各待预测材料组的预测迁移能。
步骤1023:根据各最终预测迁移能从各待预测材料组中确定出至少一组预测电解质材料组和各预测电解质材料组中各材料的成分比例。
可选地,可以将对应的最终预测迁移能最小的至少一个待预测材料组作为各预测电解质材料组,并且将对应的最终预测迁移能最小的至少一个待预测材料组中各材料的成分比例作为各预测电解质材料组中各材料的成分比例。
示例性地,在第一次执行完成步骤1022之后,还可以再重复执行步骤1022多次,比如8次。并且,在每一次执行完成步骤1022后,还可以记录与该目标迁移能预测模型输出的最小的9组最终预测迁移能对应的待预测材料组,在一共执行完成9次步骤1022后,就会得到共81组最终预测迁移能,以及81组对应的待预测材料组。
可以对这81组待预测材料组进行并集处理,再从并集中获取对应的最终预测迁移能最小的9组待预测材料组作为筛选出的待预测材料组。然后可以再从筛选出的9组待预测材料组中确定出各预测电解质材料组,本申请实施例对此不做限定。
通过这样的方式,就可以得到至少一组最终预测迁移能较小的预测电解质材料组以及准确地确定出预测电解质材料组中各材料的成分比例,那么这样,就可以准确地确定出电解质的最优成分,并且无需花费大量时间和人工对数量庞大的各种材料组都进行实验。如此,就可以提高确定电解质的最优成分的效率。
一种可能的实现方式中,根据各最终预测迁移能从各待预测材料组中确定出至少一组预测电解质材料组和各预测电解质材料组中各材料的成分比例,包括:
根据各最终预测迁移能确定各待预测材料组的集中度。
具体地,可以根据各最终预测迁移能、各待预测材料组中的材料以及各待预测材料组中的材料的成分比例确定各待预测材料组的集中度。
可选地,该集中度可以用于指示各待预测材料组的相似度,以及用于指示各待预测材料组是否集中于同一待预测材料组或相近的几个待预测材料组。
一般地,若多个最终预测迁移能之间的差值越小、这多个最终预测迁移能对应的待预测材料组的材料相似或相同、且这多个最终预测迁移能对应的待预测材料组的材料的成分比例相似或相同,则表明这多个最终预测迁移能对应的待预测材料组的集中度较高。否则,则表明这多个最终预测迁移能对应的待预测材料组的集中度较低。
基于该集中度从各待预测材料组中筛选出至少一个待预测材料组。
可选地,具体可以筛选出最终预测迁移能最小、与其他待预测材料组的相似度最高的至少一组待预测材料组。本申请实施例对此不做限定。
将筛选出的待预测材料组中的各材料作为各预测电解质材料组的各材料,并将筛选出的待预测材料组中各材料的比例作为各预测电解质材料组中各材料的成分比例。
这样,就可以确定出准确地确定出各预测电解质材料组的各材料、各预测电解质材料组中各材料的成分比例,进而可以确定出电解质的最优成分。
为了更好地对本申请实施例提供的电解质材料预测方法进行说明,本申请实施例还提供了图8,图8是本申请实施例提供的一种电解质材料预测方法的流程图。参见图8,本申请实施例提供一种电解质材料预测方法,包括:
步骤2001:确定与多个初始材料组对应的实际离子迁移能。
可选地,确定各实际离子迁移能的具体方式可以参见上述步骤1005-步骤1010。
步骤2002:基于各初始材料组和与各初始材料组对应的实际离子迁移能分别建立初始训练集和初始测试集。
步骤2003:将该初始测试集中包括的初始材料组输入该初始迁移能预测模型,得到初始预测迁移能。
步骤2004:根据各初始预测迁移能和各初始材料组对应的实际离子迁移能确定该初始迁移能预测模型是否满足预设条件。
步骤2005:若否,则对该初始样本集以及该初始迁移能预测模型分别进行调整,并基于调整后的初始样本集对调整后的初始迁移能预测模型重新进行训练。
并且,在基于调整后的初始样本集对调整后的初始迁移能预测模型重新进行训练的情况下,可以基于调整后的初始样本集重新执行步骤2003,以在重新训练后得到该初始预测迁移能。
步骤2006:若是,则将满足该预设条件的该初始迁移能预测模型作为该中间迁移能预测模型。
步骤2007:根据该中间迁移能预测模型,构建多个目标材料组。
可选地,构建各目标材料组的具体方式可以参见上述步骤1015-步骤1017。
步骤2008:基于各目标材料组和各目标材料组对应的实际离子迁移能分别建立目标训练集和目标测试集。
步骤2009:将该目标测试集中包括的目标材料组输入该中间迁移能预测模型,得到目标预测迁移能。
步骤2010:根据各目标预测迁移能和各目标材料组对应的实际离子迁移能确定该中间迁移能预测模型是否满足预设条件。
步骤2011:若否,则对该目标样本集以及该中间迁移能预测模型分别进行调整,并基于调整后的目标样本集对调整后的中间迁移能预测模型重新进行训练。
并且,在基于调整后的目标样本集对调整后的中间迁移能预测模型重新进行训练的情况下,可以基于调整后的目标样本集重新执行步骤2009,以在重新训练后得到该目标预测迁移能。
步骤2012:若是,则将满足该预设条件的该中间迁移能预测模型作为该目标迁移能预测模型。
步骤2013:将多个待预测材料组输入该目标迁移能预测模型,确定与各待预测材料组对应的最终预测迁移能。
步骤2014:根据各最终预测迁移能从各待预测材料组中确定出至少一组预测电解质材料组和各预测电解质材料组中各材料的成分比例。
需要注意的是,在执行完步骤2014之后,还可以继续执行上述步骤1022、步骤1023以及其他任意对应的步骤,以确保可以确定出预测的最优的各预测电解质材料组中各材料的成分比例。
需要说明的是,图8提供的电解质材料预测方法的具体实现过程、原理以及相应的技术效果已经在上述各实施例中进行了详细描述,在此不做赘述。
下述对用以执行的本申请所提供电解质材料预测方法的装置、设备及计算机可读存储介质等进行说明,其具体的实现过程以及技术效果参见上述,下述不再赘述。
图9是本申请实施例提供的一种电解质材料预测装置的结构示意图,参见图9,该装置包括:
确定模块301,用于确定与多个初始材料组对应的实际离子迁移能,各初始材料组中包括多种不同的材料,各初始材料组中各材料的成分比例不同。
第一训练模块302,用于根据各初始材料组和与各初始材料组对应的实际离子迁移能,对初始迁移能预测模型进行迭代训练和修正,得到中间迁移能预测模型。
构建模块303,用于根据该中间迁移能预测模型,构建多个目标材料组。
第二训练模块304,用于基于该多个目标材料组,对该中间迁移能预测模型进行迭代训练和修正,得到目标迁移能预测模型,该目标迁移能预测模型用于预测基于材料组制作的电解质的离子迁移能。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器,或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
图10是本申请实施例提供的一种计算机设备的结构示意图。参见图10,计算机设备包括:存储器401、处理器402,存储器401中存储有可在处理器402上运行的计算机程序,处理器402执行计算机程序时,实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
可选地,本申请还提供一种程序产品,例如计算机可读存储介质,包括程序,该程序在被处理器执行时用于执行上述任一电解质材料预测方法实施例。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本发明各个实施例方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-OnlyMemory,简称:ROM)、随机存取存储器(英文:RandomAccess Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (8)
1.一种电解质材料预测方法,其特征在于,所述方法包括:
确定与多个初始材料组对应的实际离子迁移能,各所述初始材料组中包括多种不同的材料,各所述初始材料组中各所述材料的成分比例不同;
根据各所述初始材料组和与各所述初始材料组对应的实际离子迁移能,对初始迁移能预测模型进行迭代训练和修正,得到中间迁移能预测模型;
对所述初始材料组进行贝叶斯采样,得到多个中间材料组;
将所述多个中间材料组分别输入所述中间迁移能预测模型,得到多个第一预测结果,各所述第一预测结果用于指示所述中间迁移能预测模型预测得到的各所述中间材料组的第一预测离子迁移能;
根据各所述第一预测离子迁移能从各所述中间材料组中确定多个目标材料组;
基于所述多个目标材料组,对所述中间迁移能预测模型进行迭代训练和修正,得到目标迁移能预测模型,所述目标迁移能预测模型用于预测基于各材料组制作的电解质的离子迁移能;
所述方法还包括:
将多个待预测材料组输入所述目标迁移能预测模型,确定与各所述待预测材料组对应的最终预测迁移能;
根据各所述最终预测迁移能从各所述待预测材料组中确定出至少一组预测电解质材料组和各所述预测电解质材料组中各材料的成分比例。
2.如权利要求1所述的电解质材料预测方法,其特征在于,所述确定与多个初始材料组对应的实际离子迁移能,包括:
根据各所述初始材料组分别建立虚拟电解质模型;
根据各所述虚拟电解质模型进行仿真计算,以确定各所述虚拟电解质模型的离子迁移能;
将各所述虚拟电解质模型的离子迁移能作为对应的各所述初始材料组的实际离子迁移能。
3.如权利要求2所述的电解质材料预测方法,其特征在于,所述根据各所述虚拟电解质模型进行仿真计算,以确定各所述虚拟电解质模型的离子迁移能,包括:
对所述虚拟电解质模型进行结构弛豫,并在结构弛豫后的虚拟电解质模型中移除两个等价的目标离子,得到调整后虚拟电解质模型;
根据所述虚拟电解质模型和所述调整后虚拟电解质模型进行仿真反应,得到初始离子迁移路径,所述初始离子迁移路径用于指示所述目标离子迁移时的扩散路径;
根据所述初始离子迁移路径确定所述目标离子迁移时的过渡态能垒,并将所述过渡态能垒作为所述虚拟电解质模型的离子迁移能。
4.如权利要求1所述的电解质材料预测方法,其特征在于,所述根据各所述初始材料组和与各所述初始材料组对应的实际离子迁移能,对初始迁移能预测模型进行迭代训练和修正,得到中间迁移能预测模型,包括:
基于各所述初始材料组和与各所述初始材料组对应的实际离子迁移能分别建立初始训练集和初始测试集,所述初始训练集和所述初始测试集中分别包括至少一个所述初始材料组和相应的实际离子迁移能,所述初始训练集中包括的初始材料组与所述初始测试集中包括的初始材料组不同;
将所述初始测试集中包括的初始材料组输入所述初始迁移能预测模型,得到初始预测迁移能;
根据各所述初始预测迁移能和各所述初始材料组对应的实际离子迁移能确定所述初始迁移能预测模型是否满足预设条件,若否,则对初始样本集以及所述初始迁移能预测模型分别进行调整,并基于调整后的初始样本集对调整后的初始迁移能预测模型重新进行训练;
若是,则将满足所述预设条件的所述初始迁移能预测模型作为所述中间迁移能预测模型。
5.如权利要求1所述的电解质材料预测方法,其特征在于,所述基于所述目标材料组,对所述中间迁移能预测模型进行迭代训练和修正,得到目标迁移能预测模型,包括:
基于各所述目标材料组和各所述目标材料组对应的实际离子迁移能分别建立目标训练集和目标测试集;
将所述目标测试集中包括的目标材料组输入所述中间迁移能预测模型,得到目标预测迁移能;
根据各所述目标预测迁移能和各所述目标材料组对应的实际离子迁移能确定所述中间迁移能预测模型是否满足预设条件,若否,则对目标样本集以及所述中间迁移能预测模型分别进行调整,并基于调整后的目标样本集对调整后的中间迁移能预测模型重新进行训练;
若是,则将满足所述预设条件的所述中间迁移能预测模型作为所述目标迁移能预测模型。
6.一种电解质材料预测装置,其特征在于,所述装置包括:
确定模块,用于确定与多个初始材料组对应的实际离子迁移能,各所述初始材料组中包括多种不同的材料,各所述初始材料组中各所述材料的成分比例不同;
第一训练模块,用于根据各所述初始材料组和与各所述初始材料组对应的实际离子迁移能,对初始迁移能预测模型进行迭代训练和修正,得到中间迁移能预测模型;
构建模块,用于对所述初始材料组进行贝叶斯采样,得到多个中间材料组;将所述多个中间材料组分别输入所述中间迁移能预测模型,得到多个第一预测结果,各所述第一预测结果用于指示所述中间迁移能预测模型预测得到的各所述中间材料组的第一预测离子迁移能;根据各所述第一预测离子迁移能从各所述中间材料组中确定多个目标材料组;
第二训练模块,用于基于所述多个目标材料组,对所述中间迁移能预测模型进行迭代训练和修正,得到目标迁移能预测模型,所述目标迁移能预测模型用于预测基于材料组制作的电解质的离子迁移能;
所述确定模块,还用于将多个待预测材料组输入所述目标迁移能预测模型,确定与各所述待预测材料组对应的最终预测迁移能;根据各所述最终预测迁移能从各所述待预测材料组中确定出至少一组预测电解质材料组和各所述预测电解质材料组中各材料的成分比例。
7.一种计算机设备,其特征在于,包括:存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现上述权利要求1至5任一项所述的方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时,实现权利要求1至5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211524182.3A CN115600511B (zh) | 2022-12-01 | 2022-12-01 | 电解质材料预测方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211524182.3A CN115600511B (zh) | 2022-12-01 | 2022-12-01 | 电解质材料预测方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115600511A CN115600511A (zh) | 2023-01-13 |
CN115600511B true CN115600511B (zh) | 2023-03-17 |
Family
ID=84852613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211524182.3A Active CN115600511B (zh) | 2022-12-01 | 2022-12-01 | 电解质材料预测方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115600511B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117373582B (zh) * | 2023-12-06 | 2024-04-26 | 小米汽车科技有限公司 | 基于仿真实验模型的材料成分预测方法、装置及存储介质 |
Family Cites Families (6)
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 |
CN110120250B (zh) * | 2019-04-11 | 2023-06-20 | 天目湖先进储能技术研究院有限公司 | 与固态电解质兼容稳定的包覆材料的高通量预测方法 |
US20210397949A1 (en) * | 2020-06-17 | 2021-12-23 | Automat Solutions, Inc. | Materials artificial intelligence robotics-driven methods and systems |
CN112861268B (zh) * | 2021-03-10 | 2022-05-10 | 上海交通大学 | 一种固态电解质电子电导率获取方法、介质及电子设备 |
CN112735535B (zh) * | 2021-04-01 | 2021-06-25 | 腾讯科技(深圳)有限公司 | 预测模型训练、数据预测方法、装置和存储介质 |
CN113468816B (zh) * | 2021-07-13 | 2023-05-26 | 电力规划总院有限公司 | 铁塔钢材指标预测模型的训练方法、装置及可读存储介质 |
-
2022
- 2022-12-01 CN CN202211524182.3A patent/CN115600511B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115600511A (zh) | 2023-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dawson-Elli et al. | Data science approaches for electrochemical engineers: an introduction through surrogate model development for lithium-ion batteries | |
CN115600511B (zh) | 电解质材料预测方法、装置和计算机设备 | |
CN114943372A (zh) | 基于贝叶斯循环神经网络的质子交换膜寿命预测方法及装置 | |
Huang et al. | Construction of ground-state preserving sparse lattice models for predictive materials simulations | |
CN115511071A (zh) | 模型训练方法、装置及可读存储介质 | |
CN113094899B (zh) | 一种随机潮流计算方法、装置、电子设备及存储介质 | |
CN113946983A (zh) | 产品可靠性薄弱环节评估方法、装置和计算机设备 | |
CN116992308B (zh) | 数据与知识融合的工艺波动分析与优化方法及装置 | |
CN111310305B (zh) | 一种固体氧化物燃料电池系统振荡变量获取方法 | |
Fang et al. | Dynamic structural equation models with missing data: Data requirements on N and T | |
CN116092593B (zh) | 电解液成分预测方法、装置和计算机设备 | |
CN116542366A (zh) | 风电功率预测模型的训练方法和风电功率预测方法 | |
Kasamatsu et al. | Configuration sampling in multi-component multi-sublattice systems enabled by ab Initio Configuration Sampling Toolkit (abICS) | |
CN114251075B (zh) | 基于多目标参数的储层开采方案确定方法、装置及设备 | |
CN115511262A (zh) | 变压器质量检测方法及装置 | |
CN114491699A (zh) | 基于拓展区间数的三维cad软件易用性量化方法及装置 | |
CN112528500B (zh) | 一种场景图构造模型的评估方法及评估设备 | |
CN114594397A (zh) | 基于泛化模型的锂离子电池健康状态估计方法及系统 | |
CN111626472B (zh) | 一种基于深度混合云模型的场景趋势判断指标计算系统及方法 | |
CN107491576B (zh) | 基于性能退化数据的导弹部件可靠性分析方法 | |
Atay et al. | A new adaptive genetic algorithm for community structure detection | |
Nong | Construction and Simulation of Financial Risk Prediction Model Based on LSTM | |
CN110782080A (zh) | 一种基于种群性能排序选择的电力系统结构优化方法 | |
CN113435058B (zh) | 配网自愈测试模型的数据降维方法、系统、终端及介质 | |
Castro | Lectures 2 and 3-goodness-of-fit (gof) tests |
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 |