《Journal of Power Sources》：Enhancing lithium-ion battery analysis: A machine learning approach to investigate innovative silicon thin film anode parameters and discharge capacity
编辑推荐：
本研究开发了一个基于机器学习的硅薄膜阳极放电容量预测框架，通过随机森林算法处理缺失数据，验证集R2达0.86，平均绝对误差174.1 mAh/g。关键分析表明工作压力、循环次数和倍率对容量影响显著，并利用特征重要性分析和ALR分析量化了加工参数与操作条件对容量及衰减的影响，为优化新一代硅基电池阳极提供理论指导。
作者名单：Elif Muslu Yilmaz、Aysegul Uygun Oksuz、Satoshi Hamaguchi、Elif Ceren Gok Yildirim、Murat Onur Yildirim、Kazumasa Ikuse、Pierre Vinchon、Nicolas Mauchamp、Esin Eren
土耳其伊斯帕塔市苏莱曼·德米雷尔大学工程与自然科学学院化学系，邮编32220
摘要
硅（Si）薄膜阳极具有非常高的理论容量，但在锂化过程中会发生严重的体积膨胀，这会导致电池破裂、电接触丧失以及容量迅速衰减。本研究开发了一种机器学习（ML）框架，用于预测硅薄膜阳极的放电容量，并为其制备和操作提供指导。通过基于ML的插补方法，我们补充了一个包含缺失制造和循环参数的文献数据集，其中随机森林（Random Forest）模型的准确性最高。该模型能够准确预测放电容量（验证R2 = 0.86，平均绝对误差为174.1 mAh g?1）。特征重要性分析表明，工作压力、循环次数和C率是影响电池性能的最关键因素。训练好的模型还能将观察到的退化趋势外推到后续循环中，生成的容量衰减预测与实际观察结果基本一致，而不仅仅是基于统计数据的长期预测。此外，一种不依赖于特定模型的累积局部效应（Accumulated Local Effects）分析方法揭示了制造参数和操作条件对电池绝对容量及其衰减的影响机制。研究结果表明，机器学习不仅能可靠地预测电池性能，还能为下一代硅薄膜阳极的设计提供有力支持。
引言
自索尼在1991年率先推出LiCoO?/石墨电化学电池以来，锂离子电池（LIBs）经历了显著的发展，成为现代储能技术的重要支柱。锂离子电池以其高能量密度、低自放电率和长寿命而受到广泛应用，从便携式电子设备到电动汽车等领域都离不开它们的支持。近年来，硅（Si）薄膜作为阳极材料受到了越来越多的关注，这主要得益于其丰富的资源、低成本和低毒性。虽然硅作为阳极材料具有极高的理论容量，但其实际应用受到锂化过程中显著体积变化的限制。最新研究表明，硅薄膜有助于缓解这些挑战，尤其是通过减少锂化过程中的机械应力和应变。与较厚的硅薄膜相比，薄硅薄膜具有更高的结构稳定性，从而降低电池退化并延长循环寿命。此外，薄膜的减薄还有助于提升锂离子（Li?）的扩散速率，进而可能增强电池的充放电性能。
锂离子电池的性能受到多种相互关联因素的影响，包括薄膜厚度、电压限制、电流密度（C率）和结构组成。优化电压限制对于平衡能量密度、结构完整性和固态电解质界面（SEI）层的稳定性至关重要，而电流密度则显著影响电池的充放电速率和循环寿命。理解这些参数之间的复杂相互作用（尤其是与锂化过程相关的内容）对于延长电池寿命、提高效率和安全性仍是一个关键挑战。目前科学界仍在讨论硅薄膜的最佳厚度，以最大化电池性能：一些研究主张使用超薄薄膜以降低应力，而另一些研究则认为中等厚度的薄膜能在机械稳定性和电化学性能之间取得更好的平衡。例如，G. Schmuelling等人制备的250纳米厚的硅电极在96次循环（C率为1.1C）后仍保持了70%的初始容量；Sakabe等人发现非晶多孔硅薄膜在100次循环后仍能保持2962 mAh g?1的容量；Salah等人通过磁控溅射法制备的150.5纳米厚硅薄膜在80次循环后仍保留了约1805 mAh g?1的容量。然而，极薄的硅薄膜可能导致较低的面积容量，使其与商用正极材料不兼容。为此，Chai等人制备了700纳米厚的非晶硅薄膜作为电池阳极，其在0.5 A g?1的电流密度下经过100次循环后仍保持了2258.5 mAh g?1的初始容量。这些研究突显了进一步研究的必要性，尤其是需要明确降低应力的最佳薄膜厚度及其对电池性能的具体影响。
为了研究电池性能参数，人们采用了多种理论模型，如Newman模型和单粒子模型（SPM）等。然而这些模型通常需要对复杂物理过程进行简化。专注于锂离子在阳极中扩散的扩散模型有助于理解锂与硅之间的相互作用，但可能无法准确捕捉快速充放电过程中的动态行为。集成化学和电化学动力学及传输机制的电化学模型通常具有最高的预测精度，但计算耗时较长。传统理论模型在处理复杂非线性相互作用时存在局限性，难以适应新数据或变化的操作条件。
机器学习（ML）作为人工智能（AI）的一个分支，利用数据和算法模拟人类学习过程，通过不断优化模型提高预测精度，并有效捕捉数据中的非线性关系和隐藏模式。与传统建模方法相比，ML算法能随着新数据的积累持续改进，无需依赖简化假设。在电池材料优化领域，这种适应性尤为重要，因为电池性能受多种因素影响且变化复杂。Wang等人应用ML方法成功预测了锂锰氧化物电池的初始和第20次循环的放电容量，均达到了11.90 mAh g?1和11.77 mAh g?1的RMSE值。Yang等人使用卷积神经网络（CNN）提取数据特征，再通过随机森林模型进行容量预测；Li等人利用循环神经网络（RNN）实现了多任务学习来预测电池容量；Jiang等人设计的ML分类器结合了多种掺杂属性和电化学参数，有效预测了金属离子掺杂TiO?阳极的容量。本研究采用基于ML的方法，结合实验数据和应用数据，分析了硅薄膜阳极对电池性能的影响，为开发具有更高性能、稳定性和更长寿命的下一代锂离子电池提供了新见解。
方法论
我们的研究方法侧重于收集将放电容量与射频磁控溅射制备参数及电化学条件相关联的数据。为此，我们使用了多种机器学习算法，包括K-最近邻（KNN）、高斯过程回归（GPR）、随机森林（Random Forest）和链式方程多重插补（MICE）等，以填补生产和电化学数据中的缺失值。
数据插补
为评估不同插补方法的性能，我们首先剔除了所有包含缺失值的记录，将数据集从2307条减少到1734条完整记录，唯一电池的数量也从32个降至18个。这个干净的数据子集用于在受控条件下测试和比较各种插补模型。
结论
本研究聚焦于锂离子电池中最有前景的组件——硅薄膜阳极，推动了该技术的进步。尽管锂离子电池因其高能量密度和广泛的应用前景而受到重视，但其性能优化仍面临诸多挑战，尤其是由于设计参数的复杂性和相互依赖性。尽管硅薄膜阳极具有优异的理论容量，但在实际应用中仍存在机械退化和容量衰减等问题。
作者贡献声明
Elif Muslu Yilmaz：负责撰写、审稿与编辑、原始稿件撰写、数据可视化、软件开发、方法论设计、实验设计、数据分析、概念构建。
Aysegul Uygun Oksuz：负责撰写、审稿与编辑、原始稿件撰写、数据可视化、结果验证、项目监督、软件开发、方法论设计、数据分析、概念构建。
Satoshi Hamaguchi：负责撰写、审稿与编辑、原始稿件撰写、数据可视化。
利益冲突声明
作者声明不存在可能影响本研究结果的财务利益或个人关系。
