Lityum-iyon silikat katotların fiziksel ve kimyasal özelliklerinin kristal yapı sisteminden önemli ölçüde etkilendiği yaygın olarak kabul edilmektedir. Bu nedenle, kristal yapılarının kestirimi, batarya uygulamalarında katotların diğer birçok özelliğini tahmin etmek için hayati öneme sahiptir. Li-Si-(Mn,Fe,Co)-O bileşik yapılarına sahip silikat bazlı katotların üç ana kristal sistemi (monoklinik, ortorombik ve triklinik) makine öğrenimi yöntemlerinden çeşitli sınıflandırma teknikleri kullanılarak tahmin edilmiştir. Hesaplamalar, Malzeme Projesi’nden elde edilen yoğunluk fonksiyonel teorisi hesaplamalarının sonuçlarına dayanmaktadır. Kristal sistemi ile katotların diğer fiziksel özellikleri arasındaki güçlü korelasyon, istatistiksel modellerdeki özellik değerlendirmesine dayalı olarak doğrulanmıştır. Ayrıca, en iyi tahmin doğruluğunu elde etmek için çeşitli sınıflandırma yöntemlerinin parametreleri optimize edilmiştir. XGBoost ve Destek Vektör Sınıflandırıcı algoritmalarının çapraz doğrulama testlerinde çalışmada kullanılan diğer sınıflandırma yöntemleri arasında en yüksek tahmin doğruluğunu sağlamıştır.
It has commonly been assumed that the physical and chemical characteristics of lithium-ion silicate cathodes are influenced significantly by the crystal structure system. Because of this, crystal structure estimation has played a vital role in bringing about forecasting many other features of cathodes in battery applications. Using a variety of classification techniques in machine learning which three primary crystal structure (monoclinic, orthorhombic, and triclinic) of silicate-based cathode materials with compound systems of Li-Si-(Mn,Fe,Co)-O has been estimated. The computations are based on the Materials Project's density functional theory computations. In this study, it has been explained that based on property evaluation in statistical models, the considerable correlation between the crystal system and other physical characteristics of the cathodes was validated. Furthermore, the parameters of several categorization techniques have been tuned in order to achieve maximum prediction accuracy. This case has shown that the XGBoost and Support Vector Classifier algorithms carried out in this study the highest forecasting accuracy in this study along with many other classification methods in cross-validation tests.
Lithium-ion batteries Machine learning Optimization Crystal structure Classification techniques
Primary Language | Turkish |
---|---|
Subjects | Artificial Intelligence |
Journal Section | Articles |
Authors | |
Publication Date | August 31, 2022 |
Submission Date | April 20, 2022 |
Published in Issue | Year 2022 |
Bu eser Creative Commons Atıf-GayriTicari 4.0 Uluslararası Lisansı ile lisanslanmıştır.