基于机器学习的PVDF基复合介质储能特性数据分析与预测

近年来,机器学习作为一种新型数据分析方式,在电气、材料、化学等领域都取得了优异的成果。对储能介质材料而言,以聚偏氟乙烯(polyvinylidenefluoride,PVDF)材料作为基体,向其中加入纳米填料能够极大地增加复合介质最大储能密度。该研究利用机器学习探索并建立复合介质所含填料(微观信息)-复合介质储能性能(宏观性能)的对应关系。首先,收集165组复合介质储能特性参数建立数据库,以填充相材料的特征作为输入描述符(包括固有描述符和选择描述符);其次,对原始数据进行处理,根据复合介质的最大储能密度提升倍数划分数据集标签。为达到兼顾预测精度和准确率的目的,分别设置二分类、三分类和四分类数据集,使用3种机器学习算法对数据集进行训练;最后,将11组全新的数据输入训练模型进行验证,其中7组数据可以正确预测分类,证明机器学习方法应用在高储能密度复合介质研究中的可靠性。该研究将交叉学科的前沿成果运用在复合介质的研究领域,所建数据库与训练模型将加速高性能复合介质的发现。