Машинное обучение помогает раскрыть весь потенциал углерода в суперконденсаторах

Пост опубликован в блогах iXBT.com, его автор не имеет отношения к редакции iXBT.com

Суперконденсаторы (они же ионисторы) — это устройства, сочетающие в себе положительные черты как конденсаторов (большая скорость заряда/разряда), так и аккумуляторов (большая ёмкость). Они используются в различных областях, таких как транспорт, электроника и возобновляемая энергетика. Однако существующие ионисторы всё же имеют относительно небольшую емкость и, для расширения спектра применения, требуют улучшения материалов, из которых они сделаны.

Один из таких материалов — углерод. Дешевый, химически стабильный материал с высокой проводимостью. Углерод имеет пористую структуру, которая обеспечивает большую поверхность для хранения заряда на границе между углеродом и электролитом — жидкостью, которая переносит ионы между электродами суперконденсатора. Однако не все поры углерода одинаково эффективны для этой цели. Нужен оптимальный баланс между большими и маленькими порами, а также специальные химические группы на поверхности углерода, которые могут участвовать в окислительно-восстановительных реакциях, увеличивая псевдоемкость — еще один вид хранения заряда.

Найти такой оптимальный углеродный материал — непростая задача, которая требует множества экспериментов и анализов. Но современные технологии машинного обучения могут помочь ускорить этот процесс и открыть новые возможности для разработки суперконденсаторов.

Машинное обучение — это раздел искусственного интеллекта, который позволяет компьютерам обучаться на данных и давать предсказания или принимать решения. Машинное обучение может применяться в разных областях, в том числе в проектировании материалов. Например, можно построить модель, которая будет предсказывать свойства материалов на основе их состава и структуры, или которая будет определять оптимальные параметры для синтеза материалов.

Именно такой подход использовали химики из Лаборатории Окриджа по энергетике Министерства энергетики США в сотрудничестве с учеными из Калифорнийского университета в Риверсайде, Национальной лаборатории Аймс и Университета Теннесси в Ноксвилле. Они построили искусственную нейронную сеть — тип модели машинного обучения, который имитирует работу мозга — и обучили ее на данных о емкости углеродных материалов, легированных кислородом и азотом. Затем они установили цель для этой модели — создать «материал мечты» для источника питания.

Концептуальный арт изображает машинное обучение, находящее идеальный материал для емкостного хранения энергии. Его углеродный каркас (черный) имеет функциональные группы с кислородом (розовый) и азотом (бирюзовый)
Концептуальный арт изображает машинное обучение, находящее идеальный материал для емкостного хранения энергии. Его углеродный каркас (черный) имеет функциональные группы с кислородом (розовый) и азотом (бирюзовый)
Автор: Tao Wang/ORNL, U.S. Dept. of Energy Источник: phys.org

Модель предсказала, что наибольшая емкость для углеродного электрода составит 570 фарад на грамм, если углерод будет легирован кислородом и азотом. Это значение было в четыре раза выше, чем у типичного коммерческого материала. Кроме того, модель указала на оптимальный баланс между мезопорами — порами размером от 2 до 50 нанометров, и микропорами — порами меньше 2 нанометров. Мезопоры обеспечивают быструю транспортировку электролита, а микропоры — большую поверхность для хранения заряда.

Используя эти предсказания, химики спроектировали и синтезировали новый углеродный материал, который имел рекордную емкость 611 фарад на грамм. Они также провели ряд экспериментов и анализов, чтобы подтвердить и объяснить свойства материала. Они обнаружили, что мезопоры, лешированные кислородом и азотом, вносят наибольший вклад в общую емкость, а псевдоемкость от окислительно-восстановительных реакций на поверхности углерода составляет 25% от общей емкости. Они также измерили скорость диффузии электролита в порах разного размера и показали, что она зависит от диаметра пор.

Это исследование является примером успешного применения машинного обучения в проектировании материалов. Благодаря этому подходу, химики смогли достичь за три месяца того, что раньше занимало бы не менее года. Они также открыли новые горизонты для развития ионисторов, которые могут хранить больше энергии и заряжаться быстрее.

1 комментарий

D@rkM@n
Углерод известен как: графит, алмаз, графен… Как называется этот вид?
Сказки венского леса.

Добавить комментарий

Сейчас на главной

Новости

Публикации

Зачем советский калькулятор «Электроника МК-52» оснастили внешними картриджами расширения памяти

Микрокалькулятор «Электроника МК-52» сошел с заводского конвейера в 1985 году, хотя в ранних каталогах датой значился 1983 год. Прибор весил 250 г при габаритах корпуса 212 x 78 x 42 мм и...

Рис в глиняном горшке: как подгоревшая корочка на дне стала главным эффектом гонконгского блюда

В большинстве кухонь запах риса, начинающего приставать ко дну, заставляет немедленно убавить огонь. В гонконгском claypot rice всё устроено наоборот. К концу приготовления повару как раз нужна...

Зачем в СССР построили компьютер, в который нужно было заливать воду

В 1930-х годах советский инженер Владимир Лукьянов работал над задачей, знакомой строителям: почему в бетоне появляются трещины и как заранее понять, при каких условиях их удастся избежать. Для...

Морские выдры ели крабов. Почему после этого берега стало размывать втрое медленнее

Морская выдра выныривает в приливном ручье у залива Монтерей, переворачивается на спину и принимается за краба. В калифорнийском Элкхорне такие обеды постепенно изменили берега. Там, где каланов...

Как японский магнитофон Nakamichi вынимал кассету и сам переворачивал её

У кассетного магнитофона был привычный недостаток: когда заканчивалась первая сторона, музыку приходилось прерывать. Нужно было подойти к аппарату, достать кассету, перевернуть её и снова нажать...

Велокомпьютер + нагрудный датчик против умных часов с BioTracker™ 6.0: кто победит? Подробный тест Amazfit Cheetah 2 Pro

Amazfit Cheetah 2 Pro — это флагманская модель для бегунов, ориентированная на марафонскую подготовку. В них есть тренировочные планы в паре с ИИ-тренером Zepp Coach и продвинутые...