机器学习优化镍钴掺杂CuO纳米复合材料的超电容性能研究

本研究针对过渡金属氧化物(TMOs)电极材料电容性能优化难题，通过水热法合成Ni/Co掺杂CuO纳米复合材料，结合机器学习(ML)优化材料配比，使Ni-CuO在1.5 A g-1电流密度下实现496 F g-1的高比电容，电容保持率达95.1%，为新一代储能器件开发提供经济高效的解决方案。

　　

随着全球能源危机加剧和环境问题日益严峻，开发高效清洁的储能技术成为当务之急。化石燃料作为传统能源主力，不仅储量有限，其燃烧产生的有害气体更加速了气候变化进程。在这一背景下，电化学储能系统因其高效、环保的特性备受关注，其中超级电容器(SCs)凭借功率密度高、充放电快、循环稳定性好等优势，成为能源存储领域的研究热点。然而，现有电极材料如碳基材料存在能量密度低、导电聚合物稳定性差等问题，而过渡金属氧化物(TMOs)虽具有理论电容高的优点，却面临导电性差、循环性能不足等挑战。

针对这一系列问题，Taif大学的研究团队在《Journal of Electroanalytical Chemistry》发表创新性研究，通过水热法合成镍(Ni)和钴(Co)掺杂的氧化铜(CuO)纳米复合材料，并首次引入机器学习(ML)技术优化材料组成。研究发现ML优化的Ni-CuO电极展现出496 F g^-1的超高比电容，较Co-CuO(245 F g^-1)提升102%，同时实现12,469 W kg^-1的功率密度和95.1%的循环稳定性，为高性能超级电容器电极材料开发开辟了新路径。

关键技术方法包括：1)水热法合成Ni/Co掺杂CuO纳米材料；2)扫描电镜(SEM)和X射线衍射(XRD)表征材料形貌与晶体结构；3)机器学习算法优化材料配比与电极负载量；4)三电极体系测试电化学性能；5)通过恒电流充放电(GCD)和循环伏安(CV)评估比电容与循环稳定性。

【结构表征结果】
SEM显示Ni-CuO呈规则排列的岩石状结构(平均粒径9.1 nm)，而Co-CuO为不规则片状结构。XRD证实所有样品均保持CuO单斜晶系，Ni/Co掺杂未改变晶体结构但引起晶格畸变，这通过(002)晶面位移得到验证。EDX图谱确认Ni(3.12 wt%)和Co(2.98 wt%)的成功掺杂。

【电化学性能】
在1.5 A g^-1电流密度下，ML优化的Ni-CuO比电容达496 F g^-1，是纯CuO的3.2倍。其电荷转移电阻(R_ct)仅1.8 Ω，显著低于Co-CuO(4.5 Ω)，表明Ni掺杂有效提升了电荷传输效率。通过密度泛函理论(DFT)计算发现，Ni掺杂在CuO禁带中引入杂质能级，将带隙从1.7 eV降至1.2 eV，这是导电性增强的关键机制。

【机器学习优化】
采用随机森林算法对12组实验数据训练，建立材料组成-性能预测模型。当Ni/Cu摩尔比为0.15时预测性能最佳，实验验证该配比下电极的比电容误差仅4.7%。ML同时优化出最佳电极负载量为3.2 mg cm^-2，避免活性物质浪费。

研究结论表明，Ni掺杂通过协同效应显著提升CuO的赝电容特性：一方面Ni²⁺/Ni³⁺氧化还原对提供额外法拉第反应位点；另一方面掺杂引起的晶格畸变促进电解质离子扩散。机器学习与实验的有机结合，不仅大幅缩短研发周期，更为TMOs材料设计提供了普适性优化策略。该工作由Maria Ahmad等完成，Abdulraheem S.A. Almalki和Muhammad Ali Khan共同指导，获得沙特Taif大学(TU-DSPP-2025-95项目)支持，为低成本、高性能储能材料开发树立了新标杆。