基于数据驱动的锂电池电解液设计智能推荐方法技术

本发明专利技术公开了基于数据驱动的锂电池电解液设计智能推荐方法，其推荐方法包括以下步骤：S1、首先需要进行数据收集与清洗，通过利用论文数据库检索收集锂电池电解液相关的文献，建立机器学习模型进行二分类，排除非液态锂电池电解液相关的文献，借助OCR工具完成文献格式数据转换，并对文本进行解析，得到带有索引的段落和句子的纯文本文件，基于专家知识标注小数据集文本用于机器学习模型训练，获得包含电解液配方元素的段落或句子，作为目标数据，S2、然后需要进行知识抽取内容包括实体抽取和关系抽取，并且需要建立相应的知识图谱。本发明专利技术利用从海量数据中挖掘领域关键知识，采用人工智能算法进行推理预测，提高了推荐辅助设计的效率和精确性。的效率和精确性。的效率和精确性。

【技术实现步骤摘要】
基于数据驱动的锂电池电解液设计智能推荐方法


[0001]本专利技术涉及于锂电池电解设计液
，具体为基于数据驱动的锂电池电解液设计智能推荐方法。

技术介绍

[0002]电解液作为锂离子电池中锂离子的传递媒介直接与正负极材料接触，选择合适的电解液是获得高能量密度和功率密度、长循环寿命和安全性良好的锂离子二次电池的关键之一，如何提高电解液的稳定性，使得锂电池具备高能量密度、高安全性的同时具备优秀的循环寿命是目前急需解决的问题。
[0003]目前，锂电池电解液的开发过程中，虽有一些简单的规律可循，但基本上仍处于经验摸索阶段，远不能满足当前高新技术的需要。基于目前研究成果，还未能实现对电解液的理性设计，单纯基于经验和试验的方法探究锂盐、有机溶剂的选择和电解质溶液的优化，无论从质量还是效率上均不能满足目前科研及工业界的需求。

技术实现思路

[0004]本专利技术的目的在于提供基于数据驱动的锂电池电解液设计智能推荐方法，以解决上述
技术介绍
中提出的目前，锂电池电解液的开发过程中，虽有一些简单的规律可循，但基本上仍处于经验摸索阶段，远不能满足当前高新技术的需要，基于目前研究成果，还未能实现对电解液的理性设计，单纯基于经验和试验的方法探究锂盐、有机溶剂的选择和电解质溶液的优化，无论从质量还是效率上均不能满足目前科研及工业界需求的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：基于数据驱动的锂电池电解液设计智能推荐方法，其推荐方法包括以下步骤：
[0006]S1、首先需要进行数据收集与清洗，通过利用论文数据库检索收集锂电池电解液相关的文献，建立机器学习模型进行二分类，排除非液态锂电池电解液相关的文献，借助OCR工具完成文献格式数据转换，并对文本进行解析，得到带有索引的段落和句子的纯文本文件。基于专家知识标注小数据集文本用于机器学习模型训练，获得包含电解液配方元素的段落或句子，作为目标数据。
[0007]S2、然后需要进行知识抽取内容包括实体抽取和关系抽取两个，并且需要建立相应的知识图谱，将抽取的<实体，关系，实体>，<实体，属性，值>三元组数据，建立图数据库，搭建液态锂电池电解液知识图谱。
[0008]S3、最后需要进行知识挖掘包括建立基于关联规则的挖掘模型，挖掘实体之间的关联关系，形如X
‑
>Y，利用支持度和置信度来评估衡量。挖掘出不同溶剂体系下，与各类锂盐及添加剂的强关联规则，并根据锂电池综合指标，内容包括库伦效率、循环圈数和容量保持率等，对挖掘结果进行评估，获得该体系下的最优配方及其影响条件。
[0009]优选的，所述实体抽取包括依靠基于规则和机器学习的知识抽取算法模型，在目标数据中抽取电解液的基本构成实体和属性特征信息，包含锂盐、溶剂、添加剂、浓度比例、
库伦效率和循环圈数、容量保持率、发表年代等。
[0010]优选的，所述关系抽取包括建立关系抽取模型，通过进行抽取电解液配方实体之间的有效关系，进而实现获得<实体，关系，实体>，<实体，属性，值>三元组。
[0011]与现有技术相比，本专利技术的有益效果是：
[0012]本专利技术可通过从开放的文献数据库平台收集锂电池电解液文献数据集，获得锂电池科研成果池，对文献数据进行信息抽取，获得结构化的电解液配方构成要素，锂盐、溶剂、添加剂以及库伦效率和循环寿命，构建电解液知识图谱进行知识挖掘，实现配方推荐辅助设计，利用从海量数据中挖掘领域关键知识，采用人工智能算法进行推理预测，有效的提高了推荐辅助设计的效率和精确性。
附图说明
[0013]图1为本专利技术的具体流程步骤图；
[0014]图2为本专利技术的数据收集与清洗统计图；
[0015]图3为本专利技术的知识抽取数据表；
[0016]图4为本专利技术的电解液知识库；
[0017]图5为本专利技术的电解液知识图谱；
[0018]图6为本专利技术的库伦效率在各体系的分布图；
[0019]图7为本专利技术的关联规则挖掘数据表；
[0020]图8为本专利技术的配方推荐数据表。
具体实施方式
[0021]下面对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0022]实施例一：
[0023]本实施例的推荐方法包括以下步骤：
[0024]S1、首先需要进行数据收集与清洗，通过利用论文数据库检索收集锂电池电解液相关的文献，建立机器学习模型进行二分类，排除非液态锂电池电解液相关的文献，借助OCR工具完成文献格式数据转换，并对文本进行解析，得到带有索引的段落和句子的纯文本文件。基于专家知识标注小数据集文本用于机器学习模型训练，获得包含电解液配方元素的段落或句子，作为目标数据。
[0025]S2、然后需要进行知识抽取内容包括实体抽取和关系抽取两个，并且需要建立相应的知识图谱，将抽取的<实体，关系，实体>，<实体，属性，值>三元组数据，建立图数据库，搭建液态锂电池电解液知识图谱。
[0026]S3、最后需要进行知识挖掘包括建立基于关联规则的挖掘模型，挖掘实体之间的关联关系，形如X
‑
>Y，利用支持度和置信度来评估衡量。挖掘出不同溶剂体系下，与各类锂盐及添加剂的强关联规则，并根据锂电池综合指标，内容包括库伦效率、循环圈数和容量保持率等，对挖掘结果进行评估，获得该体系下的最优配方及其影响条件。
[0027]本实施例中，实体抽取包括依靠基于规则和机器学习的知识抽取算法模型，在目标数据中抽取电解液的基本构成实体和属性特征信息，包含锂盐、溶剂、添加剂、浓度比例、库伦效率和循环圈数、容量保持率、发表年代等。
[0028]本实施例中，关系抽取包括建立关系抽取模型，通过进行抽取电解液配方实体之间的有效关系，进而实现获得<实体，关系，实体>，<实体，属性，值>三元组。
[0029]实施例二：
[0030]与实施例一的区别特征在于：
[0031]本实施例的推荐方法包括以下步骤：
[0032]S1、首先进行数据收集与清洗，通过利用论文数据库检索收集锂电池电解液相关的文献，建立机器学习模型进行二分类，排除非液态锂电池电解液相关的文献，借助OCR工具完成文献格式数据转换，并对文本进行解析，得到带有索引的段落和句子的纯文本文件，基于专家知识标注小数据集文本用于机器学习模型训练，获得包含电解液配方元素的段落或句子，作为目标数据。
[0033]S2、然后进行知识挖掘包括建立基于关联规则的挖掘模型，挖掘实体之间的关联本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于数据驱动的锂电池电解液设计智能推荐方法，其特征在于：其推荐方法包括以下步骤：S1、首先需要进行数据收集与清洗，通过利用论文数据库检索收集锂电池电解液相关的文献，建立机器学习模型进行二分类，排除非液态锂电池电解液相关的文献，借助OCR工具完成文献格式数据转换，并对文本进行解析，得到带有索引的段落和句子的纯文本文件，基于专家知识标注小数据集文本用于机器学习模型训练，获得包含电解液配方元素的段落或句子，作为目标数据；S2、然后需要进行知识抽取内容包括实体抽取和关系抽取两个，并且需要建立相应的知识图谱，将抽取的<实体，关系，实体>，<实体，属性，值>三元组数据，建立图数据库，搭建液态锂电池电解液知识图谱；S3、最后需要进行知识挖掘包括建立基于关联规则的挖掘模型，挖掘实体之间的关联关系，形如X
‑
...

【专利技术属性】
技术研发人员：臧文娟，
申请(专利权)人：臧文娟，
类型：发明
国别省市：