基于电化学阻抗谱的等效电路模型分类的机器学习基准
机器学习
2023-05-29 v2 材料科学
摘要
对电化学系统的电化学阻抗谱（EIS）数据进行分析，通常包括利用专家知识定义等效电路模型（ECM），然后优化模型参数以解卷积各种电阻、电容、电感或扩散响应。对于小数据集，该过程可手动进行；然而，对于具有广泛 EIS 响应的大型数据集，手动定义合适的 ECM 是不可行的。自动识别 ECM 将大大加速大型 EIS 数据集的分析。我们展示了机器学习方法，对 QuantumScape 为 BatteryDEV 黑客马拉松提供的 9,300 个阻抗谱进行 ECM 分类。表现最好的方法是利用自动生成特征库的梯度提升树模型，其次是使用原始谱数据的随机森林模型。作为替代方案，我们提出了一种使用 Nyquist 表示的布尔图像的卷积神经网络，尽管其准确率较低。我们公开了数据并开源了相关代码。本文描述的方法可作为进一步研究的基准。一个关键的遗留挑战是标签的可识别性，模型性能和误分类谱的对比突出了这一点。
引用
@article{arxiv.2302.03362,
title = {Machine Learning Benchmarks for the Classification of Equivalent Circuit Models from Electrochemical Impedance Spectra},
author = {Joachim Schaeffer and Paul Gasper and Esteban Garcia-Tamayo and Raymond Gasper and Masaki Adachi and Juan Pablo Gaviria-Cardona and Simon Montoya-Bedoya and Anoushka Bhutani and Andrew Schiek and Rhys Goodall and Rolf Findeisen and Richard D. Braatz and Simon Engelke},
journal= {arXiv preprint arXiv:2302.03362},
year = {2023}
}
备注
Manuscript: 17 pages, 9 figures; Supplementary Information: 9 pages, 6 figures