将机器学习集成到 triboelectric 纳纳米发生器中：优化电极材料和掺杂策略用于智能能源收集
材料科学
2025-09-08 v1
摘要
将机器学习技术与 triboelectric 纳纳米发生器（TENG）集成，为优化能源收集技术提供了变革性的路径。本研究提出了一个综合框架，利用图神经网络预测和提升 TENG 电极材料和掺杂策略的性能。通过利用大量实验和计算结果数据集，该模型有效地对电极材料进行分类，预测最佳掺杂比例，并建立稳健的结构-性能关系。关键发现包括对铝掺杂 PTFE 能量密度提升 65.7%，对氟掺杂 PTFE 能量密度提升 85.7%，这凸显了掺杂材料及其浓度的关键影响。该模型进一步识别 PTFE 作为高度有效的负极材料，在铜（Cu）作为正极时，采用 7% 银（Ag）掺杂可实现最大能量密度为 1.12 J/cm。这种数据驱动的方法不仅加速了材料发现，还显著降低了实验成本，为理解影响 TENG 性能的基本因素提供了新见解。该提议方法论为智能材料设计建立了稳健平台，推动了可持续能源技术和自供能系统的发展。
引用
@article{arxiv.2505.07414,
title = {Integrating Machine Learning with Triboelectric Nanogenerators: Optimizing Electrode Materials and Doping Strategies for Intelligent Energy Harves},
author = {Guanping Xu and Zirui Zhao and Zhong Lin Wang and Hai-Feng Li},
journal= {arXiv preprint arXiv:2505.07414},
year = {2025}
}