Synthesis-feature-coupled machine learning approaches to predict the capacitance of biomass-derived carbon electrodes in supercapacitors
Notice bibliographique
Résumé
Activated carbon (AC) materials are an established candidate for electrode components in supercapacitors, particularly electric double-layer capacitors. Multi-thermochemical syntheses of biomass-based precursors influence the AC-based electrode’s specific capacitance. This work aimed to predict the physicochemical characteristics and gravimetric capacitive performance of carbon-based electrode materials by machine learning (ML) techniques. The inherent constituents of biomass precursors, thermochemical synthesis, and electrochemical measurements at three-/ two-electrode systems were considered as input variables. The random forest model was applied with five nature-inspired optimization algorithms. These nature-inspired ML models achieved predictions with R2 of ~0.90 to 0.95, RMSEs of 2.808 to 5.34, and mean absolute error (MAE) of 2.01 to 4.00. Sensitivity analysis disclosed that chemical activation ratio and activation temperature significantly impact the model criteria accuracy. The ML modelling achieved the ideal AC electrode materials with specific surface areas of ~ 2821.70 m2g-1 and additionally estimated the capacitances of ~321.6 Fg-1 at 1 A g-1 in 6 M KOH with a three-electrode system. ML achieved hypothetical N/O co-doped activated carbons as promising candidates for discovering EDLC electrode materials.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».