Jadwal Sholat

Memuat jadwal sholat…

Editorial Ilmu Komputer & AI

Open AccessOA2023

Penemuan material berbantuan machine learning untuk bahan aktif karbon berpori tinggi kaya oksigen bagi superkapasitor berair

Strategi aktivasi turunan machine learning yang memakai natrium amida dan prekursor polimer terikat silang menghasilkan karbon berpori tinggi dengan luas permukaan spesifik melebihi 4000 m²/g. Elektrode teroptimasi memberikan kapasitansi spesifik 610 F/g dalam 1 M H₂SO₄, mendekati nilai yang diprediksi ML, dengan penyimpanan muatan dan transpor elektrolit dijelaskan melalui step potential electrochemical spectroscopy dan quasielastic neutron scattering.
Tao Wang; Runtong Pan; M. Martins; Jin-Lei Cui; Zhen-Nan Huang; B. Thapaliya; Chi-Linh Do-Thanh; Musen Zhou; Juntian Fan; Zhen-Zhen Yang; M. Chi; Takeshi Kobayashi; Jianzhong Wu; E. Mamontov; S. Dai· Nature Communications· 2023· DOI 10.1038/s41467-023-40282-1

Masalah inti

Karbon berpori merupakan bahan aktif pilihan untuk aplikasi superkapasitor karena kemampuan daya, stabilitas siklus jangka panjang, dan rentang suhu operasi yang lebar. Namun, pengembangan bahan aktif karbon dengan sifat fisikokimia dan elektrokimia yang lebih baik umumnya dilakukan melalui proses eksperimen yang memakan waktu dan tidak hemat biaya. Dalam hal ini, teknologi machine learning menyediakan pendekatan berbasis data untuk menelaah penelitian yang telah dilaporkan sebelumnya guna menemukan fitur kritis dalam mengembangkan material karbon ideal untuk superkapasitor. Di sini, kami melaporkan desain strategi aktivasi turunan machine learning yang memakai natrium amida dan prekursor polimer terikat silang untuk menyintesis karbon berpori tinggi (yakni dengan luas permukaan spesifik > 4000 m²/g). Dengan menyetel ukuran pori dan kandungan oksigen material karbonan, kami melaporkan elektrode berbasis karbon berpori tinggi dengan pembebanan massa elektrode 0,7 mg/cm² yang menunjukkan kapasitansi spesifik tinggi 610 F/g dalam 1 M H₂SO₄. Hasil ini mendekati kapasitansi spesifik elektrode karbon berpori yang diprediksi oleh pendekatan machine learning. Kami juga menyelidiki mekanisme penyimpanan muatan dan sifat transpor elektrolit melalui step potential electrochemical spectroscopy dan pengukuran quasielastic neutron scattering.

Inovasi

Para penulis memakai strategi aktivasi turunan machine learning untuk memandu sintesis karbon berpori tinggi. Elemen metodologi utama meliputi:

- **Pendekatan machine learning**: Analisis berbasis data atas penelitian yang telah dilaporkan sebelumnya digunakan untuk mengidentifikasi fitur kritis bagi material karbon ideal untuk superkapasitor. Model ML memprediksi nilai kapasitansi spesifik yang memandu desain eksperimen.
- **Sintesis**: Natrium amida dan prekursor polimer terikat silang digunakan untuk menyintesis karbon berpori tinggi dengan luas permukaan spesifik melebihi 4000 m²/g. Ukuran pori dan kandungan oksigen material karbonan disetel.
- **Fabrikasi elektrode**: Elektrode berbasis karbon berpori tinggi dengan pembebanan massa elektrode 0,7 mg/cm² disiapkan.
- **Karakterisasi elektrokimia**: Kapasitansi spesifik diukur dalam 1 M H₂SO₄. Mekanisme penyimpanan muatan dan sifat transpor elektrolit diselidiki melalui pengukuran step potential electrochemical spectroscopy (SPECS) dan quasielastic neutron scattering (QENS).

Metodologi ini memadukan penemuan material yang dipandu ML dengan teknik eksperimen lanjutan untuk memvalidasi dan memahami kinerja karbon yang disintesis.

Pendahuluan
Karbon berpori merupakan bahan aktif pilihan untuk aplikasi superkapasitor karena kemampuan daya, stabilitas siklus jangka panjang, dan rentang suhu operasi yang lebar. Namun, pengembangan bahan aktif karbon dengan sifat fisikokimia dan elektrokimia yang lebih baik umumnya dilakukan melalui proses eksperimen yang memakan waktu dan tidak hemat biaya. Dalam hal ini, teknologi machine learning menyediakan pendekatan berbasis data untuk menelaah penelitian yang telah dilaporkan sebelumnya guna menemukan fitur kritis dalam mengembangkan material karbon ideal untuk superkapasitor. Di sini, kami melaporkan desain strategi aktivasi turunan machine learning yang memakai natrium amida dan prekursor polimer terikat silang untuk menyintesis karbon berpori tinggi (yakni dengan luas permukaan spesifik > 4000 m²/g). Dengan menyetel ukuran pori dan kandungan oksigen material karbonan, kami melaporkan elektrode berbasis karbon berpori tinggi dengan pembebanan massa elektrode 0,7 mg/cm² yang menunjukkan kapasitansi spesifik tinggi 610 F/g dalam 1 M H₂SO₄. Hasil ini mendekati kapasitansi spesifik elektrode karbon berpori yang diprediksi oleh pendekatan machine learning. Kami juga menyelidiki mekanisme penyimpanan muatan dan sifat transpor elektrolit melalui step potential electrochemical spectroscopy dan pengukuran quasielastic neutron scattering.

Mengapa penting

Studi ini menunjukkan bahwa machine learning dapat secara efektif memandu penemuan bahan aktif karbon untuk superkapasitor, mengurangi waktu dan biaya yang terkait dengan pendekatan coba-coba eksperimental tradisional. Kapasitansi spesifik 610 F/g dalam 1 M H₂SO₄ yang dicapai termasuk yang tertinggi yang dilaporkan untuk elektrode karbon berpori dan mendekati prediksi teoretis dari model ML, memvalidasi strategi desain. Penggunaan natrium amida dan prekursor polimer terikat silang memungkinkan sintesis karbon dengan luas permukaan yang sangat tinggi (> 4000 m²/g) serta ukuran pori dan kandungan oksigen yang dapat disetel. Penyelidikan penyimpanan muatan dan transpor elektrolit melalui SPECS dan QENS memberikan pemahaman lebih dalam tentang faktor-faktor yang memengaruhi kinerja elektrokimia. Karya ini menyoroti potensi penggabungan ML dengan karakterisasi lanjutan untuk mempercepat pengembangan material berkinerja tinggi bagi penyimpanan energi. Penelitian selanjutnya dapat memperluas pendekatan ini ke sistem elektrolit lain dan lebih mengoptimalkan struktur pori serta kimia permukaan untuk meningkatkan kapasitansi dan kemampuan laju.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten member…