.png){kind=icon}
返回
Interpretable Machine Learning Model for Mn-Based Cathode Development: Mapping Synthesis Parameters to Cycling Stability
.png){kind=icon}
PRE
AI
DOI：10.1039/D5TA04758G.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
锰基层状正极材料在钠离子电池中面临容量衰减的挑战；尽管已探明多种机理见解和改性策略。在此，构建了一种基于机器学习的框架，用于预测锰基层状材料体系，以克服传统实验方法的缺陷。基于所选的XGBoost模型，通过整合改进的SMOTE数据增强和递归特征消除技术，筛选出14个关键特征。此外，通过SHAP和ALE可解释性分析确定了特征的关键参数阈值。该模型最终通过实验验证，其中83%为循环稳定性设计的材料在合理预测范围内。所提出的方法论连接了预测建模、材料设计与性能提升，由此开发出一个良好的机器学习模型，用于预测高性能钠离子电池正极材料。
Keyword:
manganese-based layered cathode
sodium-ion batteries
machine learning
XGBoost model
cyclic stability
期刊
IF:
9.5
论文数:
3.3W
被引数:
21.7W
机构
暂无机构信息
引用论文
Rejuvenating manganese-based rechargeable batteries: fundamentals, status and promise重振锰基充电电池: 基本原理、现状与前景
PREAI
分享收藏Earth-Abundant Fe-Mn-Based Compound Cathodes for Sodium-Ion Batteries: Challenges and Progress地球丰富的钠离子电池fe-mn基化合物阴极: 挑战与进展
PREAI
分享收藏Tuning local chemistry of P2 layered-oxide cathode for high energy and long cycles of sodium-ion battery用于高能量和长循环钠离子电池的P2层状氧化物阴极的调谐局部化学.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Radially aligned hierarchical columnar structure as a cathode material for high energy density sodium-ion batteries径向排列的分级柱状结构作为高能量密度钠离子电池的阴极材料NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Prediction on Discharging Properties of Nickel-Manganese Materials for High-Performance Sodium-Ion Batteries via Machine Learning Methods基于机器学习的高性能钠离子电池用镍锰材料放电性能预测ENERGY TECHNOLOGY
ENERGY TECHNOLOGYIF3.6
PREAI
分享收藏Discovery of direct band gap perovskites for light harvesting by using machine learning通过使用机器学习发现用于光捕获的直接带隙钙钛矿
PREAI
分享收藏
查看更多内容