电池领域如何应用机器学习？先看这十篇重要文献【1999年~2022年】

目前，作为数据驱动的人工智能方法的典型代表之一，机器学习已经被广泛应用于材料的性能预测和新材料发现。

近几年，随着实验、理论和计算数据的大量积累以及高效、准确的人工智能技术的迅速发展，材料科学研究进入了第四科学范式，即数据驱动的材料科学研究，有望实现储能电池的高效研发。

本文整理推荐10篇【机器学习+电池】相关文章，其中5篇为近期优质综述，可以帮助大家快速了解机器学习如何应用在电池研究中。

需要的小伙伴，可根据自行下载或添加下方微信领取！

机器学习在电池领域的应用可以追溯到1999年Salkind等使用模糊逻辑方法来确定电池的充电状态和健康状态。

【1999年】机器学习+电池，领域第一篇文献，Salkind等使用模糊逻辑方法来确定电池的充电状态和健康状态。

【2003到2005年】Gerbrand Ceder团队三篇文献，利用机器学习技术预测材料晶体结构并用于汽车电池锂基材料的发现。

【2011年】美国提出“材料基因组计划”，目的之一是通过机器学习方法将“实验”、“计算”和“数据”相结合

【2021年综述】Haoyue Guo从材料原子建模的角度，介绍了机器学习在固态电池材料的势能数构建、性能预测和逆向设计中的应用；

【2021年综述】清华大学张强教授课题组从多尺度电池应用的角度，评述了机器学习与微观、介观和宏观尺度的理论或实验融合的方法在电池材料的研究现状。

【2021年综述】回应了机器学习在电池领域的应用前景，到底是炒作还是确有其用。从材料研发到电池实际应用的角度，总结了机器学习在电池制造、材料表征和电池诊断等方面的研究进展。

【2021年综述】施思齐课题组从机器学习工作流程的角度，综述了机器学习在充电电池材料领域的应用现状，并分析和总结了机器学习方法在材料领域应用普遍面临的三大挑战问题和相应的解决策略。

【2022年综述】清华大学南策文院士、武汉理工大学沈忠慧研究员等人总结了机器学习（ML）在储能材料研发中的最新进展，并对ML在材料科学中的创新实施提供了一些见解。

以介电电容器（DC）和锂离子电池（LIBs）作为两个具有代表性的例子，从三个方面重点介绍了ML在储能材料研发中的最新进展，包括发现和设计新材料、丰富理论模拟及辅助实验和表征。

参考文献：

[1] Siqi SHI, Zhangwei TU, Xinxin ZOU, Shiyu SUN, Zhengwei YANG, Yue LIU. Applying data-driven machine learning to studying electrochemical energy storage materials[J]. Energy Storage Science and Technology, 2022, 11(3): 739-759.

[2] Salkind A J , Fennie C , Singh P , et al. Determination of state-of-charge and state-of-health of batteries by fuzzy logic methodology[J]. Journal of Power Sources, 1999, 80(1-2):293-300.

[3] Morgan D, Ceder G, Curtarolo S. Data mining approach to ab-initio prediction of crystal structure[J]. MRS Online Proceedings Library (OPL), 2003, 804.

[4] Curtarolo S, Morgan D, Persson K, et al. Predicting crystal structures with data mining of quantum calculations[J]. Physical review letters, 2003, 91(13): 135503.

[5] Morgan D, Ceder G, Curtarolo S. High-throughput and data mining with ab initio methods[J]. Measurement Science and Technology, 2004, 16(1): 296.

[6] Feldman K, Agnew S R. The materials genome initiative at the National Science Foundation: a status report after the first year of funded research[J]. JOM, 2014, 66(3): 336.

[7] Liu Y, Guo B, Zou X, et al. Machine learning assisted materials design and discovery for rechargeable batteries[J]. Energy Storage Materials, 2020, 31: 434-450.

[8] Guo H, Wang Q, Stuke A, et al. Accelerated atomistic modeling of solid-state battery materials with machine learning[J]. Frontiers in Energy Research, 2021, 9: 695902.

[9] Lombardo T, Duquesnoy M, El-Bouysidy H, et al. Artificial intelligence applied to battery research: hype or reality?[J]. Chemical Reviews, 2021.

[10] Chen X, Liu X, Shen X, et al. Applying machine learning to rechargeable batteries: from the microscale to the macroscale[J]. Angewandte Chemie International Edition, 2021, 60(46): 24354-24366.

[11] Shen Z H, Liu H X, Shen Y, et al. Machine learning in energy storage materials[J]. Interdisciplinary Materials, 2022.

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/2023/10/14/053a7a2a51/

电池领域如何应用机器学习？先看这十篇重要文献【1999年~2022年】

相关推荐

发表回复