User-Friendly Freeware for Determining the Concentration of Electrolyte Components in Lithium-Ion Cells Using Fourier Transform Infrared Spectroscopy, Beer's Law, and Machine Learning
Notice bibliographique
Résumé
Understanding the changes in the electrolyte during lithium-ion cell aging is valuable in order to improve longevity. Studying this in hundreds or thousands of cells requires a fast and widely available measurement such as Fourier Transform Infrared Spectroscopy (FTIR) of electrolyte samples. This article expands on a previous work to use a new model more grounded in the physics of the measurement and machine learning to determine electrolyte composition from FTIR measurements. A carefully prepared dataset of mixtures of 5 electrolyte components (i.e. LiPF 6 , EC, EMC, DMC, and DEC), and the code to replicate and extend the model to different electrolyte mixtures are made available. With this new model, the mass ratio of salt to total is predicted within an error of 0.4%, and each solvent's mass ratio to total is predicted within an error of 2%. Furthermore, a calculated spectrum based on the predicted components can be compared to the measurement which allows one to detect if unexpected species are present in the electrolyte in significant quantity. A model for mixtures of 5 components can be calibrated well with between 25 and 50 carefully prepared samples so this work can be extended to other systems by simply adding more data and retraining.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,192 | 0,099 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».