CN117095775A - 一种固态锂电池材料设计方法、系统、存储介质及计算机 - Google Patents
一种固态锂电池材料设计方法、系统、存储介质及计算机 Download PDFInfo
- Publication number
- CN117095775A CN117095775A CN202311347031.XA CN202311347031A CN117095775A CN 117095775 A CN117095775 A CN 117095775A CN 202311347031 A CN202311347031 A CN 202311347031A CN 117095775 A CN117095775 A CN 117095775A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- state lithium
- solid
- training
- target
- 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.)
- Pending
Links
- 239000000463 material Substances 0.000 title claims abstract description 146
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 130
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013461 design Methods 0.000 title claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 34
- 239000002994 raw material Substances 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 83
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 18
- 239000007787 solid Substances 0.000 claims description 15
- 238000002360 preparation method Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000007784 solid electrolyte Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 150000003568 thioethers Chemical class 0.000 description 2
- 229910019142 PO4 Inorganic materials 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000011245 gel electrolyte Substances 0.000 description 1
- 239000011244 liquid electrolyte Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 150000004767 nitrides Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 235000021317 phosphate Nutrition 0.000 description 1
- 150000003013 phosphoric acid derivatives Chemical class 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种固态锂电池材料设计方法、系统、存储介质及计算机,该方法包括:生成与原材料适配的目标性能参数,根据目标性能参数确定原材料中各个子材料之间的材料配比以及材料结构;根据材料配比以及材料结构模拟出对应的材料特征以及性能指标,基于预设程序根据材料特征以及性能指标生成对应的初始固态锂电池模型;根据材料配比、材料结构以及预设卷积神经网络构建对应的性能预测模型,通过性能预测模型判断初始固态锂电池是否满足预设要求;若是,则将初始固态锂电池设定为目标固态锂电池,并制备出目标固态锂电池。本发明能够制备出稳定性高、电导率高的固态锂电池,提升了用户的使用体验。
Description
技术领域
本发明涉及新能源汽车技术领域,特别涉及一种固态锂电池材料设计方法、系统、存储介质及计算机。
背景技术
随着科技的进步以及生产力的快速发展,新能源电动汽车技术也日趋成熟,并且已经逐渐得到了人们的认可,已经在人们的日常生活中得到普及,极大的方便了人们的生活。
其中,固态锂电池是指使用固态电解质代替传统的液态或者凝胶电解质的锂电池,具有高能量密度,高安全性以及低成本的特点,具有较高的发展前景。
现有常见的固态电解质材料有、氧化物、硫化物、氮化物、磷酸盐以及聚合物等,其中,虽然氧化物具有高热稳定性和化学稳定性,但离子电导率较低,硫化物具有较高的离子电导率和可塑性,但热稳定性和化学稳定性较差。
因此,针对现有技术的不足,提供一种能够制备出稳定性高、电导率高的固态锂电池材料设计方法很有必要。
发明内容
基于此,本发明的目的是提供一种固态锂电池材料设计方法、系统、存储介质及计算机,以制备出稳定性高、电导率高的固态锂电池。
本发明实施例第一方面提出了:
一种固态锂电池材料设计方法,其中,所述方法包括:
当获取到固态锂电池的原材料时,生成与所述原材料适配的目标性能参数,并根据所述目标性能参数确定出所述原材料中的各个子材料之间的材料配比以及材料结构;
根据所述材料配比以及材料结构模拟出对应的材料特征以及性能指标,并基于预设程序根据所述材料特征以及性能指标生成对应的初始固态锂电池模型;
根据所述材料配比、所述材料结构以及预设卷积神经网络构建出对应的性能预测模型,并通过所述性能预测模型判断所述初始固态锂电池是否满足预设要求;
若通过所述性能预测模型判断到所述初始固态锂电池满足预设要求,则将所述初始固态锂电池设定为目标固态锂电池,并制备出所述目标固态锂电池。
本发明的有益效果是:通过实时获取到的原材料生成对应的目标性能参数,基于此,能够进一步获知当前原材料中的各个子材料之间的材料配比以及材料结构,进一步的,分别创建出需要的初始固态锂电池模型以及性能预测模型,并通过该性能预测模型实时判断当前初始固态锂电池是否满足要求,若是,则能够最终制备出稳定性高、电导率高的固态锂电池,对应大幅提升了用户的使用体验。
进一步的,所述方法还包括:
若通过所述性能预测模型未判断到所述初始固态锂电池满足所述预设要求,则删除所述初始固态锂电池模型,并对所述材料特征以及所述性能指标进行迭代处理,以生成对应的二次初始固态锂电池模型。
进一步的,所述根据所述材料配比、所述材料结构以及预设卷积神经网络构建出对应的性能预测模型的步骤包括:
当获取到所述材料配比以及所述材料结构时,对所述材料配比以及所述材料结构进行序列化处理,以生成对应的训练代码,并根据所述训练代码生成对应的目标数据集;
根据所述目标数据集以及所述预设卷积神经网络对应构建出所述性能预测模型。
进一步的,所述根据所述目标数据集以及所述预设卷积神经网络对应构建出所述性能预测模型的步骤包括:
基于预设规则对所述目标数据集进行拆分处理,以生成对应的训练集以及验证集,所述训练集和所述验证集均包含对应的训练代码;
将所述训练集和所述验证集分别依次输入至所述预设卷积神经网络的编码层、解析层以及学习层中,以对所述预设卷积神经网络进行训练并生成所述性能预测模型。
进一步的,所述将所述训练集和所述验证集分别依次输入至所述预设卷积神经网络的编码层、解析层以及学习层中的步骤包括:
当获取到所述训练集时,将所述训练集中训练代码输入至所述编码层中的TransFormer编码器中,以将所述训练集中训练代码编码成对应的特征序列;
通过所述解析层中的解析算法对所述特征序列进行解析处理,以提取出所述特征序列中包含的若干特征因子;
将若干所述特征因子输入至所述学习层中的学习网络中,以对应完成所述学习层的训练。
进一步的,所述将若干所述特征因子输入至所述学习层中的学习网络中,以对应完成所述学习层的训练的步骤包括:
当获取到若干所述特征因子时,检测出所述学习网络中包含的若干网络节点,并构建出若干所述特征因子与若干所述网络节点之间的映射关系;
基于所述映射关系将若干所述网络节点中的原始网络参数分别替换为若干所述特征因子,以完成对所述学习层的训练。
进一步的,所述方法还包括:
当检测到完成对所述学习层的训练时,实时输出与所述目标固态锂电池对应的制备工艺,并通过所述制备工艺生产出所述目标固态锂电池。
本发明实施例第二方面提出了:
一种固态锂电池材料设计系统,其中,所述系统包括:
获取模块,用于当获取到固态锂电池的原材料时,生成与所述原材料适配的目标性能参数,并根据所述目标性能参数确定出所述原材料中的各个子材料之间的材料配比以及材料结构;
模拟模块,用于根据所述材料配比以及材料结构模拟出对应的材料特征以及性能指标,并基于预设程序根据所述材料特征以及性能指标生成对应的初始固态锂电池模型;
判断模块,用于根据所述材料配比、所述材料结构以及预设卷积神经网络构建出对应的性能预测模型,并通过所述性能预测模型判断所述初始固态锂电池是否满足预设要求;
执行模块,用于若通过所述性能预测模型判断到所述初始固态锂电池满足预设要求,则将所述初始固态锂电池设定为目标固态锂电池,并制备出所述目标固态锂电池。
进一步的,所述固态锂电池材料设计系统还包括删除模块,所述删除模块具体用于:
若通过所述性能预测模型未判断到所述初始固态锂电池满足所述预设要求,则删除所述初始固态锂电池模型,并对所述材料特征以及所述性能指标进行迭代处理,以生成对应的二次初始固态锂电池模型。
进一步的,所述判断模块具体用于:
当获取到所述材料配比以及所述材料结构时,对所述材料配比以及所述材料结构进行序列化处理,以生成对应的训练代码,并根据所述训练代码生成对应的目标数据集;
根据所述目标数据集以及所述预设卷积神经网络对应构建出所述性能预测模型。
进一步的,所述判断模块还具体用于:
基于预设规则对所述目标数据集进行拆分处理,以生成对应的训练集以及验证集,所述训练集和所述验证集均包含对应的训练代码;
将所述训练集和所述验证集分别依次输入至所述预设卷积神经网络的编码层、解析层以及学习层中,以对所述预设卷积神经网络进行训练并生成所述性能预测模型。
进一步的,所述判断模块还具体用于:
当获取到所述训练集时,将所述训练集中训练代码输入至所述编码层中的TransFormer编码器中,以将所述训练集中训练代码编码成对应的特征序列;
通过所述解析层中的解析算法对所述特征序列进行解析处理,以提取出所述特征序列中包含的若干特征因子;
将若干所述特征因子输入至所述学习层中的学习网络中,以对应完成所述学习层的训练。
进一步的,所述判断模块还具体用于:
当获取到若干所述特征因子时,检测出所述学习网络中包含的若干网络节点,并构建出若干所述特征因子与若干所述网络节点之间的映射关系;
基于所述映射关系将若干所述网络节点中的原始网络参数分别替换为若干所述特征因子,以完成对所述学习层的训练。
进一步的,所述固态锂电池材料设计系统还包括输出模块,所述输出模块具体用于:
当检测到完成对所述学习层的训练时,实时输出与所述目标固态锂电池对应的制备工艺,并通过所述制备工艺生产出所述目标固态锂电池。
本发明实施例第三方面提出了:
一种计算机,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上面所述的固态锂电池材料设计方法。
本发明实施例第四方面提出了:
一种可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如上面所述的固态锂电池材料设计方法。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1为本发明第一实施例提供的固态锂电池材料设计方法的流程图;
图2为本发明第六实施例提供的固态锂电池材料设计系统的结构框图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是,当元件被称为“固设于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参阅图1,所示为本发明第一实施例提供的固态锂电池材料设计方法,本实施例提供的固态锂电池材料设计方法能够制备出稳定性高、电导率高的固态锂电池,对应大幅提升了用户的使用体验。
具体的,本实施例提供的固态锂电池材料设计方法具体包括以下步骤:
步骤S10,当获取到固态锂电池的原材料时,生成与所述原材料适配的目标性能参数,并根据所述目标性能参数确定出所述原材料中的各个子材料之间的材料配比以及材料结构;
步骤S20,根据所述材料配比以及材料结构模拟出对应的材料特征以及性能指标,并基于预设程序根据所述材料特征以及性能指标生成对应的初始固态锂电池模型;
步骤S30,根据所述材料配比、所述材料结构以及预设卷积神经网络构建出对应的性能预测模型,并通过所述性能预测模型判断所述初始固态锂电池是否满足预设要求;
步骤S40,若通过所述性能预测模型判断到所述初始固态锂电池满足预设要求,则将所述初始固态锂电池设定为目标固态锂电池,并制备出所述目标固态锂电池。
具体的,在本实施例中,首先需要说明的是,通过上述方式能够根据实时获取到的不同的原材料设定出对应的目标性能参数,例如稳定性多高,以及电导率多高等,进一步的,根据该目标性能参数就能够进一步确定出当前原材料中的各个子材料之间的材料配比以及材料结构。基于此,进一步构建出需要的初始固态锂电池模型,优选的,可以通过ug以及solidworks等三维软件构建出。
进一步的,再根据获取到的材料配比以及材料结构构建出需要的性能预测模型,优选的,上述预设卷积神经网络采用CNN神经网络。在此基础之上,通过该性能预测模型就能够实时判断出构建出的初始固态锂电池模型是否满足预设要求,进一步的,若是,则进一步进行对应的制备。
第二实施例
具体的,在本实施例中,需要说明的是,上述方法还包括:
若通过所述性能预测模型未判断到所述初始固态锂电池满足所述预设要求,则删除所述初始固态锂电池模型,并对所述材料特征以及所述性能指标进行迭代处理,以生成对应的二次初始固态锂电池模型。
具体的,在本实施例中,需要说明的是,若实时判断到上述初始固态锂电池不满足预设要求,则不能够进行后续的制备,基于此,对应删除当前初始固态锂电池。
进一步的,通过上述同样的方式构建出需要的二次初始固态锂电池模型,以便于后续的处理。
具体的,在本实施例中,还需要说明的是,上述根据所述材料配比、所述材料结构以及预设卷积神经网络构建出对应的性能预测模型的步骤包括:
当获取到所述材料配比以及所述材料结构时,对所述材料配比以及所述材料结构进行序列化处理,以生成对应的训练代码,并根据所述训练代码生成对应的目标数据集;
根据所述目标数据集以及所述预设卷积神经网络对应构建出所述性能预测模型。
具体的,在本实施例中,还需要说明的是,通过上述方式能够基于获取到的材料配比以及材料结构等参数生成上述预设卷积神经网络能够识别的训练代码,基于此,能够简单、快速的构建出需要的性能预测模型。
第三实施例
另外,在本实施例中,需要说明的是,上述根据所述目标数据集以及所述预设卷积神经网络对应构建出所述性能预测模型的步骤包括:
基于预设规则对所述目标数据集进行拆分处理,以生成对应的训练集以及验证集,所述训练集和所述验证集均包含对应的训练代码;
将所述训练集和所述验证集分别依次输入至所述预设卷积神经网络的编码层、解析层以及学习层中,以对所述预设卷积神经网络进行训练并生成所述性能预测模型。
另外,在本实施例中,需要说明的是,通过上述方式能够通过上述训练代码依次完成对编码层、解析层以及学习层的训练与调整。
基于此,能够最终调整上述学习层中的原始网络参数,以完成对应的训练,并生成上述性能预测模型。
另外,在本实施例中,还需要说明的是,上述将所述训练集和所述验证集分别依次输入至所述预设卷积神经网络的编码层、解析层以及学习层中的步骤包括:
当获取到所述训练集时,将所述训练集中训练代码输入至所述编码层中的TransFormer编码器中,以将所述训练集中训练代码编码成对应的特征序列;
通过所述解析层中的解析算法对所述特征序列进行解析处理,以提取出所述特征序列中包含的若干特征因子;
将若干所述特征因子输入至所述学习层中的学习网络中,以对应完成所述学习层的训练。
另外,在本实施例中,还需要说明的是,通过上述方式能够将上述训练代码进一步转换成上述解析层能够识别的特征序列,进一步的,提取出当前特征序列中包含的若干特征因子,更进一步的,将当前若干特征因子输入至上述学习层中,以最终完成学习层的训练。
第四实施例
其中,在本实施例中,需要指出的是,所述将若干所述特征因子输入至所述学习层中的学习网络中,以对应完成所述学习层的训练的步骤包括:
当获取到若干所述特征因子时,检测出所述学习网络中包含的若干网络节点,并构建出若干所述特征因子与若干所述网络节点之间的映射关系;
基于所述映射关系将若干所述网络节点中的原始网络参数分别替换为若干所述特征因子,以完成对所述学习层的训练。
其中,在本实施例中,需要指出的是,通过上述方式能够准确的将学习层中的各个网络节点中的原始网络参数替换为上述特征因子,基于此,能够有效的完成对上述学习层的自适应调整,以生成上述性能预测模型。
第五实施例
其中,在本实施例中,需要指出的是,所述方法还包括:
当检测到完成对所述学习层的训练时,实时输出与所述目标固态锂电池对应的制备工艺,并通过所述制备工艺生产出所述目标固态锂电池。
其中,在本实施例中,需要指出的是,通过上述方式能够有效的完成对学习层的训练,
进一步的,能够通过上述性能预测模型输出需要的制备工艺,从而能够通过该制备工艺制备出上述目标固态锂电池。
请参阅图2,本发明第六实施例提供了:
一种固态锂电池材料设计系统,其中,所述系统包括:
获取模块,用于当获取到固态锂电池的原材料时,生成与所述原材料适配的目标性能参数,并根据所述目标性能参数确定出所述原材料中的各个子材料之间的材料配比以及材料结构;
模拟模块,用于根据所述材料配比以及材料结构模拟出对应的材料特征以及性能指标,并基于预设程序根据所述材料特征以及性能指标生成对应的初始固态锂电池模型;
判断模块,用于根据所述材料配比、所述材料结构以及预设卷积神经网络构建出对应的性能预测模型,并通过所述性能预测模型判断所述初始固态锂电池是否满足预设要求;
执行模块,用于若通过所述性能预测模型判断到所述初始固态锂电池满足预设要求,则将所述初始固态锂电池设定为目标固态锂电池,并制备出所述目标固态锂电池。
其中,上述固态锂电池材料设计系统中,所述固态锂电池材料设计系统还包括删除模块,所述删除模块具体用于:
若通过所述性能预测模型未判断到所述初始固态锂电池满足所述预设要求,则删除所述初始固态锂电池模型,并对所述材料特征以及所述性能指标进行迭代处理,以生成对应的二次初始固态锂电池模型。
其中,上述固态锂电池材料设计系统中,所述判断模块具体用于:
当获取到所述材料配比以及所述材料结构时,对所述材料配比以及所述材料结构进行序列化处理,以生成对应的训练代码,并根据所述训练代码生成对应的目标数据集;
根据所述目标数据集以及所述预设卷积神经网络对应构建出所述性能预测模型。
其中,上述固态锂电池材料设计系统中,所述判断模块还具体用于:
基于预设规则对所述目标数据集进行拆分处理,以生成对应的训练集以及验证集,所述训练集和所述验证集均包含对应的训练代码;
将所述训练集和所述验证集分别依次输入至所述预设卷积神经网络的编码层、解析层以及学习层中,以对所述预设卷积神经网络进行训练并生成所述性能预测模型。
其中,上述固态锂电池材料设计系统中,所述判断模块还具体用于:
当获取到所述训练集时,将所述训练集中训练代码输入至所述编码层中的TransFormer编码器中,以将所述训练集中训练代码编码成对应的特征序列;
通过所述解析层中的解析算法对所述特征序列进行解析处理,以提取出所述特征序列中包含的若干特征因子;
将若干所述特征因子输入至所述学习层中的学习网络中,以对应完成所述学习层的训练。
其中,上述固态锂电池材料设计系统中,所述判断模块还具体用于:
当获取到若干所述特征因子时,检测出所述学习网络中包含的若干网络节点,并构建出若干所述特征因子与若干所述网络节点之间的映射关系;
基于所述映射关系将若干所述网络节点中的原始网络参数分别替换为若干所述特征因子,以完成对所述学习层的训练。
其中,上述固态锂电池材料设计系统中,所述固态锂电池材料设计系统还包括输出模块,所述输出模块具体用于:
当检测到完成对所述学习层的训练时,实时输出与所述目标固态锂电池对应的制备工艺,并通过所述制备工艺生产出所述目标固态锂电池。
本发明第七实施例提供了一种计算机,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上述实施例提供的固态锂电池材料设计方法。
本发明第八实施例提供了一种可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如上述实施例提供的固态锂电池材料设计方法。
综上所述,本发明上述实施例提供的固态锂电池材料设计方法、系统、存储介质及计算机能够制备出稳定性高、电导率高的固态锂电池,对应大幅提升了用户使用体验。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种固态锂电池材料设计方法,其特征在于,所述方法包括:
当获取到固态锂电池的原材料时,生成与所述原材料适配的目标性能参数,并根据所述目标性能参数确定出所述原材料中的各个子材料之间的材料配比以及材料结构;
根据所述材料配比以及材料结构模拟出对应的材料特征以及性能指标,并基于预设程序根据所述材料特征以及性能指标生成对应的初始固态锂电池模型;
根据所述材料配比、所述材料结构以及预设卷积神经网络构建出对应的性能预测模型,并通过所述性能预测模型判断所述初始固态锂电池是否满足预设要求;
若通过所述性能预测模型判断到所述初始固态锂电池满足预设要求,则将所述初始固态锂电池设定为目标固态锂电池,并制备出所述目标固态锂电池。
2.根据权利要求1所述的固态锂电池材料设计方法,其特征在于:所述方法还包括:
若通过所述性能预测模型未判断到所述初始固态锂电池满足所述预设要求,则删除所述初始固态锂电池模型,并对所述材料特征以及所述性能指标进行迭代处理,以生成对应的二次初始固态锂电池模型。
3.根据权利要求1所述的固态锂电池材料设计方法,其特征在于:所述根据所述材料配比、所述材料结构以及预设卷积神经网络构建出对应的性能预测模型的步骤包括:
当获取到所述材料配比以及所述材料结构时,对所述材料配比以及所述材料结构进行序列化处理,以生成对应的训练代码,并根据所述训练代码生成对应的目标数据集;
根据所述目标数据集以及所述预设卷积神经网络对应构建出所述性能预测模型。
4.根据权利要求3所述的固态锂电池材料设计方法,其特征在于:所述根据所述目标数据集以及所述预设卷积神经网络对应构建出所述性能预测模型的步骤包括:
基于预设规则对所述目标数据集进行拆分处理,以生成对应的训练集以及验证集,所述训练集和所述验证集均包含对应的训练代码;
将所述训练集和所述验证集分别依次输入至所述预设卷积神经网络的编码层、解析层以及学习层中,以对所述预设卷积神经网络进行训练并生成所述性能预测模型。
5.根据权利要求4所述的固态锂电池材料设计方法,其特征在于:所述将所述训练集和所述验证集分别依次输入至所述预设卷积神经网络的编码层、解析层以及学习层中的步骤包括:
当获取到所述训练集时,将所述训练集中训练代码输入至所述编码层中的TransFormer编码器中,以将所述训练集中训练代码编码成对应的特征序列;
通过所述解析层中的解析算法对所述特征序列进行解析处理,以提取出所述特征序列中包含的若干特征因子;
将若干所述特征因子输入至所述学习层中的学习网络中,以对应完成所述学习层的训练。
6.根据权利要求5所述的固态锂电池材料设计方法,其特征在于:所述将若干所述特征因子输入至所述学习层中的学习网络中,以对应完成所述学习层的训练的步骤包括:
当获取到若干所述特征因子时,检测出所述学习网络中包含的若干网络节点,并构建出若干所述特征因子与若干所述网络节点之间的映射关系;
基于所述映射关系将若干所述网络节点中的原始网络参数分别替换为若干所述特征因子,以完成对所述学习层的训练。
7.根据权利要求6所述的固态锂电池材料设计方法,其特征在于:所述方法还包括:
当检测到完成对所述学习层的训练时,实时输出与所述目标固态锂电池对应的制备工艺,并通过所述制备工艺生产出所述目标固态锂电池。
8.一种固态锂电池材料设计系统,其中,所述系统包括:
获取模块,用于当获取到固态锂电池的原材料时,生成与所述原材料适配的目标性能参数,并根据所述目标性能参数确定出所述原材料中的各个子材料之间的材料配比以及材料结构;
模拟模块,用于根据所述材料配比以及材料结构模拟出对应的材料特征以及性能指标,并基于预设程序根据所述材料特征以及性能指标生成对应的初始固态锂电池模型;
判断模块,用于根据所述材料配比、所述材料结构以及预设卷积神经网络构建出对应的性能预测模型,并通过所述性能预测模型判断所述初始固态锂电池是否满足预设要求;
执行模块,用于若通过所述性能预测模型判断到所述初始固态锂电池满足预设要求,则将所述初始固态锂电池设定为目标固态锂电池,并制备出所述目标固态锂电池。
9.一种计算机,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的固态锂电池材料设计方法。
10.一种可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7中任意一项所述的固态锂电池材料设计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311347031.XA CN117095775A (zh) | 2023-10-18 | 2023-10-18 | 一种固态锂电池材料设计方法、系统、存储介质及计算机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311347031.XA CN117095775A (zh) | 2023-10-18 | 2023-10-18 | 一种固态锂电池材料设计方法、系统、存储介质及计算机 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117095775A true CN117095775A (zh) | 2023-11-21 |
Family
ID=88783671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311347031.XA Pending CN117095775A (zh) | 2023-10-18 | 2023-10-18 | 一种固态锂电池材料设计方法、系统、存储介质及计算机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117095775A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113589189A (zh) * | 2021-08-30 | 2021-11-02 | 武汉理工大学 | 基于充放电数据特征的锂电池健康状况预测方法及装置 |
CN116106988A (zh) * | 2022-12-30 | 2023-05-12 | 合肥智能语音创新发展有限公司 | 天气预测方法、装置、电子设备及存储介质 |
CN116306288A (zh) * | 2023-03-20 | 2023-06-23 | 上海玫克生储能科技有限公司 | 基于代理模型的锂电池优化设计方法及系统、装置、介质 |
CN116341351A (zh) * | 2021-12-21 | 2023-06-27 | 季华实验室 | 基于深度学习的金属基复合材料参数设计方法、设备与介质 |
CN116853073A (zh) * | 2023-09-04 | 2023-10-10 | 江西五十铃汽车有限公司 | 一种新能源电动汽车能量管理方法及系统 |
-
2023
- 2023-10-18 CN CN202311347031.XA patent/CN117095775A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113589189A (zh) * | 2021-08-30 | 2021-11-02 | 武汉理工大学 | 基于充放电数据特征的锂电池健康状况预测方法及装置 |
CN116341351A (zh) * | 2021-12-21 | 2023-06-27 | 季华实验室 | 基于深度学习的金属基复合材料参数设计方法、设备与介质 |
CN116106988A (zh) * | 2022-12-30 | 2023-05-12 | 合肥智能语音创新发展有限公司 | 天气预测方法、装置、电子设备及存储介质 |
CN116306288A (zh) * | 2023-03-20 | 2023-06-23 | 上海玫克生储能科技有限公司 | 基于代理模型的锂电池优化设计方法及系统、装置、介质 |
CN116853073A (zh) * | 2023-09-04 | 2023-10-10 | 江西五十铃汽车有限公司 | 一种新能源电动汽车能量管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105388402B (zh) | 基于参数优化svm算法的交联电缆局部放电模式识别方法 | |
CN108959388A (zh) | 信息生成方法及装置 | |
CN111126599A (zh) | 一种基于迁移学习的神经网络权重初始化方法 | |
CN109800477B (zh) | 锂离子电池三因素不一致性预测方法及装置 | |
CN116866865B (zh) | 一种整车控制器数据共享方法及系统 | |
CN117095775A (zh) | 一种固态锂电池材料设计方法、系统、存储介质及计算机 | |
CN117454495A (zh) | 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置 | |
CN116609677B (zh) | 一种电池状态估计方法 | |
CN116051961A (zh) | 一种目标检测模型训练方法、目标检测方法、设备及介质 | |
CN116384240A (zh) | 一种服务器能耗预测方法、装置及存储介质 | |
CN116381424A (zh) | 一种基于多源数据融合的岸电箱绝缘性能异常检测方法 | |
CN111193254A (zh) | 一种住宅日用电负荷预测方法和设备 | |
CN111525577B (zh) | 一种基于神经网络的远景220kV电网组网方法及其系统 | |
CN110211063B (zh) | 一种图像处理方法、装置、电子设备和系统 | |
CN116431135B (zh) | 汽车代码编写方法、系统、计算机及可读存储介质 | |
CN113239190A (zh) | 文档分类方法、装置、存储介质及电子设备 | |
CN113269702A (zh) | 基于跨尺度特征融合的低曝光静脉图像增强方法 | |
CN113487762B (zh) | 一种编码模型生成方法、充电数据获取方法及装置 | |
CN117207821A (zh) | 一种新能源汽车充电方法及系统 | |
CN117117374A (zh) | 一种动力电池包回收方法及系统 | |
CN116842889A (zh) | 一种基于神经网络的无源电磁器件非参数化建模方法 | |
CN117930704A (zh) | 一种汽车自动驾驶方法及系统 | |
CN117594167A (zh) | 电池材料设计方法和装置、计算机设备及存储介质 | |
CN115146543A (zh) | 一种轻质化结构产品可靠性优化设计方法及系统 | |
CN116720075A (zh) | 基于图生成对抗网络的园区资源运行场景生成方法及系统 |
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 |