详情

基于机器学习的离子电池阳极高熵合金的靶向性设计

申报人:夏洋 申报日期:2023-10-07

基本情况

第二十八期“上海交通大学大学生创新实践计划”
基于机器学习的离子电池阳极高熵合金的靶向性设计
创新训练项目
工学
材料类
创新类
材料科学与工程学院
夏洋
学生
登录状态下查看
材料科学与工程学院科研启动基金,WH220505004,50万
提供充足的经费支持;
亲自指导。

       在“双碳”的绿色发展背景下,基于电催化反应的清洁能源正在迅速发展,成为一种有前途的化石燃料能源系统替代方案。电催化水分解、可充电金属空气电池和再生燃料电池等电化学储能和转换技术中,氧析出反应(OER)起着重要的作用,因此,寻找更好、更廉价的电催化剂至关重要。除了高成本的贵金属催化剂,如二氧化钌,还没有证明在酸性和中性条件下具有工业化应用前景的稳定的析氧催化剂。OER是绿色可持续能源储存和转化技术中的关键步骤,但其较高的势垒和迟滞的动力学过程限制了反应的效率。因此,设计开发高效、稳定的非贵金属催化剂是新能源领域面临的挑战之一。高熵合金是一类由多种金属元素组成的合金材料,这些金属元素通过构型熵驱动,多组分之间几乎无限的组合方式使其具有独特的性能,为各个应用领域探索新材料提供了研究平台。当前,对于具有各种不同组分和结构的高熵合金的精确合成和催化机理研究仍然不足,严重阻碍着其在催化领域中的大规模应用。同时高熵合金多组分设计理念也为合金设计带来了更大的挑战。传统的实验试错法在面对巨大的可探索空间时明显缺乏效率。近年来, 计算机辅助设计已从材料计算学扩展到数据驱动新材料的靶向性设计上。其中,基于热力学数据库的高通量计算方法可以提高科研工作者的探索效率,与高熵合金的探索设计相结合展现出了巨大的潜力,为快速的筛选和合成理想的氧析出催化剂开辟了新的道路。

       基于机器学习的材料设计方法是由数据驱动的,可以将给定的材料信息映射到所需的属性。它具有在巨大的化学空间中快速搜索目标属性的固有优势。主动学习是机器学习的一个子领域,其中模型迭代地选择信息最丰富的不可视的数据点,以提高模型的预测能力。在这种方法中,下一组实验是由之前的模型根据目前看到的结果训练的,产生的数据点将再次迭代用于更新模型。主动学习可以大幅降低合金设计的计算成本。本项目拟以多种材料性能出发,基于主动学习框架反向设计合金成分,构建适用于综合性能的靶向性合金设计准则。

选题成员

3

指导教师

序号 教师姓名 电子邮箱 所属学院
1 杨超 登录状态下查看 材料科学与工程学院 第一指导教师

选题附件

结束