應用深度學習加速石墨烯導電劑的研發(fā)

戴洪濤 侯開虎 肖靈云

摘 ?要： 石墨烯作為電極材料的導電劑能極大改善鋰電池的性能，傳統(tǒng)的制備方法只能依賴過往的經驗合理地推測材料的合成和加工流程。本文基于深度學習的方法訓練實驗中的數據集，通過K折交叉驗證對比實驗，選擇優(yōu)化算法及調節(jié)超參數，實現測試數據集電阻率的預測，構建了材料電學性能和工藝參數之間的關系。結果表明，深度學習模型能根據不同的工藝參數預測材料的電學性能，運用深度學習的方法可以加速石墨烯導電劑的研發(fā)，為石墨烯導電劑的產業(yè)化推廣提供指導。

關鍵詞： 石墨烯;導電劑;深度學習;預測模型

中圖分類號： TP391.41 ? ?文獻標識碼： A ? ?DOI：10.3969/j.issn.1003-6970.2019.08.037

本文著錄格式：戴洪濤，侯開虎，肖靈云. 應用深度學習加速石墨烯導電劑的研發(fā)[J]. 軟件，2019，40（8）：156162

【Abstract】： Graphene as a conductive material for electrode materials can greatly improve the performance of lithium batteries. Traditional methods of preparation can only rely on past experience to reasonably speculate the synthesis and processing of materials. In this paper， based on the deep learning method， the data set in the experiment is trained. Through the K-fold cross-validation comparison experiment， the optimization algorithm is selected and the hyperparameter is adjusted to predict the resistivity of the test data set， and the relationship between the electrical properties of the material and the process parameters is constructed. . The results show that the deep learning model can predict the electrical properties of materials according to different process parameters， and the deep learning method can accelerate the research and development of graphene conductive agents， and provide guidance for the commercialization of graphene conductive agents.

【Key words】： Conductive agent; Deep learning; Predictive model

0 ?引言

日益嚴重的能源危機是21世紀的人類必須要面臨的挑戰(zhàn)，環(huán)境協(xié)調發(fā)展和能源可持續(xù)性供應對于滿足現代社會日益增長的能源需求至關重要。自索尼公司在1991年首次推出鋰離子電池以來，得益于鋰離子電池能量轉換效率高，存儲能量多，近幾十年產品不斷迭新，為不斷興起的應用領域提供了強大的動力。例如，電動汽車，混合動力電動汽車及徹底改變現代人生活的移動電子設備[1]。雖然各類產品面臨不同電池技術方面的挑戰(zhàn)，但是提高電極導電率和電解質的離子擴散率是它們共同的難題[2]。鋰離子電池的能量和功率密度基本上取決于電極材料的電化學性能[3]。通過增加電子的傳導率以及在陽極和陰極材料間離子擴散率，可以改進鋰電池的容量[4]。具有不同結構和尺寸的碳材料由于具有較高的電子和熱導率、良好的化學穩(wěn)定性和輕質性，已被廣泛用作大多數商用鋰電池的導電添加劑，除了碳黑、石墨粉等傳統(tǒng)的碳材料外，碳納米管、石墨烯等導電性較高的新型碳材料近年來也顯示出作為導電添加劑的巨大潛力，被認為是一種非常有前途的鋰離子電池正極和負極導電劑[5]。因此，如何大規(guī)模生產石墨烯，推進商業(yè)化和可行性應用成為了當前的研究熱點。

目前，材料的設計和性能改良主要靠傳統(tǒng)的實驗方法去合成并測試結果，實驗過程周期長，效率低。機器學習相比于傳統(tǒng)的理論計算方法而言，泛化能力強，并且能與實驗條件結合，加快材料的改善進程[6]。在材料計算的領域中，數據集具有規(guī)模大，維度高的特點，深度學習能提取數據間的規(guī)律和聯(lián)系，構建模型學習特征，提升預測的準確性[7]。材料的研究與設計領域涌現出大批機器學習的的應用案例[8]，其中有金屬有機框架材料[9]（MOFs）、軟物質及生物材料[10]、鋰離子電池材料[11，12]、熱電材料[13，14]、催化材料[15，16]、碳材料[17]等。機器學習在這種復雜且模糊的系統(tǒng)下有著優(yōu)秀的學習和推導能力。然而當前材料的理論計算方法中的應用于一種或幾種體系，特殊性，局限性特別強，現在還沒有一種通用的系統(tǒng)方法。由于深度學習方法可以直接學習大量的實驗數據、歸納實驗條件和導電性間的對應關系，所以利用深度學習去優(yōu)化實驗條件參數是一種可行的途徑[18]。例如在合金加工過程中，機器學習的方法可以預測工藝參數與合金性能之間的關系[19]。

目前對材料的研發(fā)設計和性能改善都處于探索性的階段，缺乏對反應機理的深刻認知，多數情況下只能依賴過往的經驗合理地推測材料的合成和加工流程。深度學習作為數據驅動的方法，切實地結合實驗數據，提供了一種有前景的工藝優(yōu)化方法。此外，實驗提出的預測方法來驗證深度學習在實驗數據處理中的可行性與存在的優(yōu)勢。由于深度學習模型具有自學習更新能力，隨著實驗研究員數據樣本的積累，預測結果更加準確，模型趨于完善。本文針對石墨烯導電劑制備過程中，參數尋優(yōu)方法耗時費力的問題，擬選取行星球磨機制備石墨烯導電劑的數據，基于深度學習算法框架訓練實驗數據，提取實驗特征值，通過K折交叉驗證對比實驗，選擇優(yōu)化算法及調節(jié)超參數，構建深度學習的預測模型，期望提供預測的準確性。

1 ?實驗特征數據遴選

石墨烯是一種典型的二維平面材料，研究表明石墨烯是電極改性的最佳材料之一，它既具有良好的電子導電性，確保了碳原子在電子傳遞中的高利用效率，又具有較高的柔韌性，能夠與活性材料良好接觸，將石墨烯導電劑作為鋰離子電池的電極材料能夠改進電子和Li+的電導率[20]，并且循環(huán)充電次數增加，時間減少，內阻減小，顯著提高了鋰電池的電學性能[21]。

眾所周知，石墨烯的特性通常是由它們的合成過程決定，不同的合成方法可以使石墨烯具有各種形態(tài)和性質，制備方法的加工成本是石墨烯在鋰電池應用商業(yè)化的一個重要因素 [22]。機械剝離法制備的石墨烯結構完整，能以極低的成本實現大規(guī)模生產，而且制備工藝簡單[23]。

1.1 ?材料選擇

本次實驗準備粒徑大小不同的石墨粉體材料，包括325目，500目，1000目，2000目，3000目，如表2所示。實驗中采用分散劑為NMP，DMF，PVP，2%GO及其一定比例的混合溶液。

1.2 ?實驗器材

（1）實驗室中采用的儀器是型號MITR-QXQM的中南大學粉末冶金研究院全方位行星式球磨機，磨罐型號如表3所示。

（2）球磨機分別配備了鋼球直徑為2 mm與3 mm鋼珠。

（3）實驗室采用的是ST2263型雙電測數字式四探針測試儀，通過四探針電阻測試儀測量各個實驗組中樣品的電阻值。

（4）真空干燥箱在工作時向內部充入惰性氣體，可以對樣品進行快速干燥。

1.3 ?實驗參數

實驗的主要流程為：（1）稱取石墨重量;（2）選擇分散劑種類及容量;（3）選擇球磨罐，磨球直徑;（4）將石墨、分散劑和磨球加入球磨罐;（5）設置行星球磨機的工藝參數;（6）在不同研磨時段取出樣品并干燥;（7）采用ST2263型雙電測數字式四探針測試儀測試樣本數據。實驗參數如表4所示。

2 ?深度學習模型的構建

深度學習是計算機利用已有的數據，在算法的指導下自動優(yōu)化并改進模型，使之能在新的應用情景中進行預測及判斷[24]。深度學習是近年來人工智能的新興領域，跨學科性強，其泛化能力可在復雜的體系中靈活運用。石墨烯導電劑制備的實驗過程樣本特征多，從數據特征及結果分析，難以發(fā)現內在的規(guī)律特征。因此，研發(fā)過程中， 首要找到實驗參數與導電性之間的對應關系，然而多數情況下，材料制備條件與性質之間并不是理論解釋兩者之間的對應關系，利用深度學習進行模型訓練，挖掘特征及標簽間的對應關系，準確預測材料的性質是一種可行的方法。

實驗中大規(guī)模的樣本數據信息，真實結果往往與研究人員推理預設的結果存在很大的誤差，在配置材料參數的時候難以定置平衡點。通過深度學習模型從大量的帶有標簽的實驗數據中學習訓練，自動從無標簽預設的數據中挖掘共性特征定義于測試樣本，對于石墨烯導電劑的制備研究工作具有一定的指導意義。

2.1 ?訓練模型

在回歸預測的訓練中，需要帶有標簽的實驗樣本供計算機進行訓練。當分類器從訓練數據中學習到本征特征及數據間的關聯(lián)后才能對新的特征樣本進行預測。給定一組與輸出{y（1），…，y（m）}相關聯(lián)的數據點{x（1），…，x（m）}，本文采用線性回歸模型作為分類器，根據x值預測y值。

深度學習模型通過學習多組機械剝離石墨的實驗數據尋找模型參數，使得模型的預測值與真實值的誤差最小。在機器學習訓練線性回歸模型時通常使用最小化平方損失函數的值來學習模型，得到模型參數θ的極大似然估計值，使模型盡可能的擬合數據集，其表達式為：

J（θ） = 1/2（ y ? ）2

在訓練數據集中，一組實驗數據被稱為一個樣本，研磨物的電阻率稱為標簽，用來預測標簽的各因素稱為特征。特征用來表征樣本的實驗條件。假設我們采集的樣本數為n，索引為j的樣本的特征為 i（j），標簽為y（j）。對于索引為j的樣本，線性回歸模型的y值預測的表達式為：

…+b

2.2 ?評價指標

在深度學習的模型訓練中，需要引入評價指標評估模型的準確度。本文使用對數均方根誤差（RMSE）評價模型。RMSE表征了樣本的離散程度。預測值 ，和對應的真實標簽 ，其表達式為：

2.3 ?優(yōu)化算法

深度學習模型訓練的過程中，使用最小化平方損失函數的值來學習模型，優(yōu)化算法即盡最大可能的將損失函數降低到最小值。由于機械剝離石墨的實驗參數是研究人員不斷調整的設想值，是初次試驗后推理思考的數值。本文進行深度學習的訓練數據是稀疏的，對收斂性有著更高的要求，因此選擇自適應學習率的Adagrad， Adadelta， RMSprop， Adam等優(yōu)化算法進行結果對比。