一种用于开放教育资源(OER)电催化剂动力学预测的深度学习方法

《Journal of Chemometrics》:A Deep Learning Approach for OER Electrocatalyst Kinetics Prediction

【字体: 大 中 小 】 时间:2026年05月08日 来源:Journal of Chemometrics 2.1

编辑推荐:

   摘要 在过去的几十年里,机器学习在电化学领域得到了越来越多的应用,但特征提取和数据稀缺等问题仍然存在。在这里,我们介绍了一种深度学习工作流程,该流程可以直接从电化学响应中预测氧演化反应(OER)的塔菲

  

摘要

在过去的几十年里,机器学习在电化学领域得到了越来越多的应用,但特征提取和数据稀缺等问题仍然存在。在这里,我们介绍了一种深度学习工作流程,该流程可以直接从电化学响应中预测氧演化反应(OER)的塔菲尔斜率(Tafel slopes),从而克服了数据稀缺的问题,并能够快速评估电催化剂的性能。通过捕捉复杂的活性-结构关系,这种方法绕过了传统的参数工程、迁移学习和密度泛函理论(DFT)计算,为可持续的水分解电催化剂提供了高效的数据驱动洞察。本研究提出了一种新的应用驱动工作流程,将基于条件变分自编码器(CVAE)的合成数据生成与一维卷积神经网络(1D-CNN)相结合,以预测OER电催化剂的电化学测量结果中的塔菲尔斜率。CVAE和CNN是集成深度学习架构,它们的联合使用增强了稀疏的电化学数据集,验证了合成数据的一致性,并在可持续氢生产的OER动力学背景下实现了准确的塔菲尔斜率预测。CVAE仅使用六个真实样本就展示了生成逼真合成数据的能力,迁移测试确认了合成数据和真实数据之间的一致性(TSTR:,RMSE = 2.736;TRTS:,RMSE = 5.474)。在此基础上,1D-CNN提供的预测结果与数据集一致,其准确率分别为0.9990(训练集)和0.9986(测试集),误差值较低(MAE 1.18–1.45,RMSE 1.49–1.67)。这些发现凸显了深度学习方法在克服实验数据稀缺方面的潜力,并允许对清洁能源应用中的电催化剂动力学进行数据驱动的快速预测。

利益冲突

作者声明没有利益冲突。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号