Integrated Machine Learning Framework Combining Electrical Cycling and Material Features for Supercapacitor Health Forecasting
Notice bibliographique
Résumé
The ability to predict capacity retention is critical for ensuring the long-term reliability of supercapacitors in energy storage systems. This study presents a comprehensive machine learning framework that integrates both electrical cycling data and experimentally derived material and structural features to forecast the degradation behavior of commercial supercapacitors. A total of seven supercapacitor samples were tested under various current and voltage conditions, resulting in over 70,000 charge–discharge cycles across three case studies. In addition to electrical measurements, detailed physical and material characterizations were performed, including electrode dimension analysis, Scanning Electron Microscopy (SEM), Energy Dispersive X-ray Spectroscopy (EDS), and Thermogravimetric Analysis (TGA). Three machine learning models, Linear Regression (LR), Random Forest (RF), and Multi-Layer Perceptron (MLP), were trained using both cycler-only and combined cycler + material features. Results show that incorporating material features consistently improved prediction accuracy across all models. The MLP model exhibited the highest performance, achieving an R2 of 0.976 on the training set and 0.941 on unseen data. Feature importance analysis confirmed that material descriptors such as porosity, thermal stability, and electrode thickness significantly contributed to model performance. This study demonstrates that combining electrical and material data offers a more holistic and physically informed approach to supercapacitor health prediction. The framework developed here provides a practical foundation for accurate and robust lifetime forecasting of commercial energy storage devices, highlighting the critical role of material-level insights in enhancing model generalization and reliability.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».