EnSM: 机器学习分析浆料涂层对锂离子电池电极制造的影响

组装制造过程对锂离子电池（LIBs）的电化学性能有重要影响，特别是在涂覆过程中电极浆液的流动是决定最终电极性能和锂离子电池特性的关键，但目前研究很少考虑到这一点。

在此，英国华威大学Mona Faraji Niri等人以LIBs浆液涂覆过程为研究对象，通过石墨负极的物理和流变性能及其对最终电极特性的影响研究了浆料结构的影响。由于通过传统的试错方法来量化大量相互关联的控制变量对电极的影响是一项具有挑战性的任务，因此作者提出了一种可解释的机器学习方法和一种系统的统计分析方法来进行综合评估。该分析基于实验室规模的实验数据集，包含9 个控制变量和6个响应变量。将收集到的数据清除掉异常值进行线性回归和方差分析以确定过程的最重要特征，并量化响应和控制变量之间的线性相关性。

然后，作者建立了随机森林模型，对控制变量下的响应变量的可预测性进行了评估。在此基础上，建立了特征重要性和累积局部效应两个可解释性指标。前者量化所有特征对响应变量的相对重要性，后者量化每个单独控制因素对响应的影响。

图1. 本研究系统分析的流程

该研究具有三个主要贡献和新颖性：1）利用先进的计量学，以便于在电极涂覆期间访问关键控制变量；2）将新的控制因素（粘毛细管效应）引入模型中；3）开发可解释的ML模型（XML），不仅可预测给定控制变量（预测器）的响应变量，而且还通过可解释性技术量化这些对响应的影响。虽然涂层间隙被确定为对所有考虑的响应最有影响的因素，但作者也提取了其他微妙的关系，强调了无量纲数字可作为模型的强预测因子。

进一步，作者还提取了浆料粘度和表面张力对电极厚度、涂层重量和孔隙率的影响，证明了其对电极性能的重要性。虽然本文揭示了浆液涂层复杂过程中的相互依赖关系，但未来仍需通过综合实验设计，考虑模型在不同阶段更广泛的控制和输出变量，如配方、干燥、压延和电池制造等。在此基础上，未来进一步研究解决从实验室到更高规模的制造也是必要的。

图2. 控制变量对响应变量的相对重要性

Systematic analysis of the impact of slurry coating on manufacture of Li-ion battery electrodes via explainable machine learning, Energy Storage Materials 2022. DOI: 10.1016/j.ensm.2022.06.036

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/08/4aec3baadf/

EnSM: 机器学习分析浆料涂层对锂离子电池电极制造的影响

相关推荐

发表回复