我室罗能能教授课题组在利用机器学习指导无铅反铁电储能陶瓷设计领域取得重要进展

2025年02月25日 11:49 资源环境与材料学院 点击:[]

我室罗能能教授课题组在利用机器学习指导无铅反铁电储能陶瓷设计领域取得重要进展,相关研究成果以“Accelerated design of AgNbO3-based ceramics with high energy storage performance via machine learning”为题,于2025年1月19日在线发表在材料领域期刊Journal of Materials Chemistry C上,并被评选为热点文章。化学化工学院博士生马力和北京科技大学博士生韩飞为该论文的共同第一作者,罗能能教授、北京科技大学白洋教授为共同通讯作者。

电介质电容器因其高功率密度、良好的可靠性和超快的充放电速率,在大功率储能系统中起着重要的作用。随着电子技术与设备的快速发展,脉冲功率型电介质电容器迫切要求向小型化和集成化方向发展,而制约其发展的主要因素就是目前的电介质材料的储能密度低。目前高性能电介质材料的研发大多数是根据现有的经验和物理知识,在大量实验的基础上获得。然而,这些工作在巨大的成分空间中仅占据很小的部分,使得新材料的发现犹如大海捞针一般。针对上述问题,课题组提出采用机器学习这一新型的科学范例来简化与指导实验,以实现材料的快速筛选和性能优化。

课题组以铌酸银基反铁电材料为典型代表进行机器人学习预测。首先,通过总结并筛选已报道的铌酸银基反铁电材料,以储能密度为目标获得初始的数据集,其中包含124个样本。然后,选定与反铁电材料的储能密度密切相关的三个参数(EN-MB、Vec/Z和 Rdce)作为描述符来评价储能密度。进一步将数据集划分为75%的训练集和25%的测试集,同时基于7种不同的迭代模型对训练集和测试集进行迭代,选出最优的迭代模型为支持向量回归的径向基函数(SVR.rbf)。最后,用选定的迭代模型对(Ag1−x−3y-4z-3m-3n-3tNaxLayCezNdmSmnTbt)(Nb1-sTas)O3成分的储能密度进行预测,最终从491520种可能的化合物中筛选出储能密度前十的数据进行排列,发现它们的基本成分为(Ag0.94Re0.02)(Nb0.6Ta0.4)O3。基于电负性和离子半径等因素,选定Re为Sm并做实验研究,实验结果为7.0 J/cm3,与机器学习预测值6.76±0.55 J/cm3基本一致。本研究将加速电介质材料储能性能的预测和开发。


上一条:我室物理科学与工程技术学院团队在双层有机太阳能电池领域取得新进展 下一条:我室莫帅教授团队在面齿轮接触力学领域取得新进展

关闭