【技术实现步骤摘要】
本专利技术涉及新能源材料数据挖掘领域，尤其涉及一种机器学习模型辅助制备石榴石型固态电解质的方法。
技术介绍
1、众所周知，随着新能源产业如电动汽车行业的飞速发展，对电池性能的要求也越来越高。全固态电池具有高安全性、高温稳定性、高能量密度等优点，引起了研究人员的高度关注。全固态电池的性能很大程度上要依赖于固态电解质性能的优劣，科学设计和合成制备高离子电导率的固态电解质至关重要。
2、近年来，国内外研究人员在基于材料基因组的无机固态电解质材料研究方面开展了一系列的工作，在无机固态电解质材料高通量筛选、机器学习预测新的电解质材料、数据挖掘发现电解质材料构-效关系等方面取得了显著的进展，极大地推动了无机固态电解质的发展，无机固态电解质材料的探索开发是全固态电池的关键任务。
3、目前，许多被广泛应用的固态电解质材料都是通过“炒菜法”发现的，但是具有优异性能的固态电解质材料的研发周期较长，使用传统实验手段研发举步维艰。因此，将机器学习和传统实验方法结合，使用理论模型发掘电解质材料构-效关系，辅助设计材料并预测性能成为可能。
4、利用机器学习模型辅助制备固态电解质的方法设计大量计算任务，该筛选过程通常包含模型迭代优化，结构参数计算，电离能分析，离子电导率计算等步骤。其中第一步涉及在大量候选学习器、最大深度、学习率等参数之间寻找最佳参数值，由于待探索的参数多且复杂度高，所以迭代优化周期长。最后需要采用多种验证方法，选出最优模型预测离子电导率。
技术实现思路
1、
2、本专利技术公开了一种机器学习模型辅助制备石榴石型固态电解质的方法，具体包括以下步骤：
3、s1、将待筛选材料数据集输入元素分类模型，筛选出元素所属类别的材料组成第一材料集合：所述待筛选材料数据集包括含有多个阳离子的化合物a-b-c-o为待优化材料，a、b、c均为金属元素；
4、s2、根据预先确定的a，b，c元素分类参数，在所述第一材料集合中确定满足a，b，c元素可用性评价要求的第二材料集合；
5、s3、根据预选的掺杂材料对所述待优化材料进行掺杂改性，得到不同掺杂量和掺杂位点的衍生结构信息，得到掺杂后的结构稳定参数，形成结构稳定模型，作为第三材料集合；
6、s4、将第三材料集合输入离子电导率模型内，筛选出衍生结构对应的离子电导率作为优化输出结果。
7、优选的，步骤s1中待优化材料a-b-c-o的原化合物为li-la-zr-o；所述特征元素分类模型将不同金属分到a、b、c的不同位点上。
8、优选的，步骤s2中所述a，b，c可用性评价参数通过对元素的价格和丰度进行评价确定。
9、优选的，步骤s3中所述根据每个衍生结构信息，使用gbr模型进行结构稳定参数计算，确定在每种掺杂量下最稳定的结构。
10、优选的，所述确定衍生结构信息对应的结构稳定参数具体为：
11、根据构型、离子堆叠位置和离子半径确定每个衍生结构对应的稳定参数，确定结构稳定模型；其中，稳定参数由gbr模型进行结构校核确定结构稳定信息。
12、优选的，所述结构稳定模型使用gbr算法；所述结构稳定模型的构建包括：
13、利用无机晶体数据库获取所有含有特定阳离子mn+的化合物构建基础数据集，其中mn+包括前六周期金属离子；基于价键理论计算所述的石榴石固态电解质结构稳定参数，选出结构参数在0.8~1.3之间的mn+作为结构稳定模型数据集。
14、优选的，步骤s4中所述离子电导率模型使用gbr算法；所述离子电导率模型的构建包括；
15、利用无机晶体数据库获取所有含有特定阳离子mn+的化合物构建基础数据集，其中mn+包括前六周期金属离子；
16、基于价键理论计算所述mn+的化合物的电离能、亲和能、电负性参数，对所述离子电导率模型进行模型训练。
17、优选的，所述筛选优化方法用于石榴石型固态电解质材料的优化筛选。
18、本专利技术还公开了基于一种机器学习模型辅助制备石榴石型固态电解质的方法所优化筛选的石榴石型固态电解质材料为li6.4la3zr1.4ta0.6o12，其中，li、la、zr、ta、o在化学式中计量比为32:15:7:3:60，空间群为ia-d。
19、优选的，所述石榴石型固态电解质材料，用于锂离子电池或锂金属电池中的固态电解质材料。
20、因此，本专利技术采用上述的一种机器学习模型辅助制备石榴石型固态电解质的方法，具备以下有益效果：
21、本专利技术机器学习模型辅助制备固态电解质材料的筛选优化方法，开发了一种加速的石榴石型固态电解质材料筛选流程，利用机器学习模型，加速筛选流程中的耗时步骤，用于加速计算掺杂结构参数和离子电导率，极大地减少了材料筛选周期，更精确地实现石榴石型固态电解质材料的筛选和优化。通过赛选优化方法发探索最佳掺杂方案，包括最佳结构稳定参数和掺杂元素比例，使得通过本专利技术筛选优化方法获得的石榴石型固态电解质才来具有更好的离子电导率。
本文档来自技高网...【技术保护点】
1.一种机器学习模型辅助制备石榴石型固态电解质的方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种机器学习模型辅助制备石榴石型固态电解质的方法，其特征在于，步骤S1中待优化材料A-B-C-O的原化合物为Li-La-Zr-O；所述特征元素分类模型将不同金属分到A、B、C的不同位点上。
3.根据权利要求1所述的一种机器学习模型辅助制备石榴石型固态电解质的方法，其特征在于，步骤S2中所述A，B，C可用性评价参数通过对元素的价格和丰度进行评价确定。
4.根据权利要求1所述的一种机器学习模型辅助制备石榴石型固态电解质的方法，其特征在于，步骤S3中所述根据每个衍生结构信息，使用GBR模型进行结构稳定参数计算，确定在每种掺杂量下最稳定的结构。
5.根据权利要求4所述的一种机器学习模型辅助制备石榴石型固态电解质的方法，其特征在于，所述确定衍生结构信息对应的结构稳定参数具体为：
6.根据权利要求5所述的一种机器学习模型辅助制备石榴石型固态电解质的方法，其特征在于，所述结构稳定模型使用GBR算法；所述结构稳定模型的构建包括：
7.根据权利要求1所述的一种机器学习模型辅助制备石榴石型固态电解质的方法，其特征在于，步骤S4中所述离子电导率模型使用GBR算法；所述离子电导率模型的构建包括；
8.根据权利要求1所述的一种机器学习模型辅助制备石榴石型固态电解质的方法，其特征在于，所述筛选优化方法用于石榴石型固态电解质材料的优化筛选。
9.一种石榴石型固态电解质材料，其特征在于，基于一种机器学习模型辅助制备石榴石型固态电解质的方法所优化筛选的石榴石型固态电解质材料为Li6.4La3Zr1.4Ta0.6O12，其中，Li、La、Zr、Ta、O在化学式中计量比为32:15:7:3:60，空间群为Ia-d。
10.根据权利要求9所述的石榴石型固态电解质材料，其特征在于，所述石榴石型固态电解质材料，用于锂离子电池或锂金属电池中的固态电解质材料。
...【技术特征摘要】
1.一种机器学习模型辅助制备石榴石型固态电解质的方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种机器学习模型辅助制备石榴石型固态电解质的方法，其特征在于，步骤s1中待优化材料a-b-c-o的原化合物为li-la-zr-o；所述特征元素分类模型将不同金属分到a、b、c的不同位点上。
3.根据权利要求1所述的一种机器学习模型辅助制备石榴石型固态电解质的方法，其特征在于，步骤s2中所述a，b，c可用性评价参数通过对元素的价格和丰度进行评价确定。
4.根据权利要求1所述的一种机器学习模型辅助制备石榴石型固态电解质的方法，其特征在于，步骤s3中所述根据每个衍生结构信息，使用gbr模型进行结构稳定参数计算，确定在每种掺杂量下最稳定的结构。
5.根据权利要求4所述的一种机器学习模型辅助制备石榴石型固态电解质的方法，其特征在于，所述确定衍生结构信息对应的结构稳定参数具体为：
6.根据权利要求5所述的一种机...
【专利技术属性】
技术研发人员：王永祯，马越，韩少雄，王晓敏，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。