应用深度学习加速石墨烯导电剂的研发

戴洪涛 侯开虎 肖灵云

摘  要： 石墨烯作为电极材料的导电剂能极大改善锂电池的性能，传统的制备方法只能依赖过往的经验合理地推测材料的合成和加工流程。本文基于深度学习的方法训练实验中的数据集，通过K折交叉验证对比实验，选择优化算法及调节超参数，实现测试数据集电阻率的预测，构建了材料电学性能和工艺参数之间的关系。结果表明，深度学习模型能根据不同的工艺参数预测材料的电学性能，运用深度学习的方法可以加速石墨烯导电剂的研发，为石墨烯导电剂的产业化推广提供指导。

关键词： 石墨烯;导电剂;深度学习;预测模型

中图分类号： TP391.41    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2019.08.037

本文著录格式：戴洪涛，侯开虎，肖灵云. 应用深度学习加速石墨烯导电剂的研发[J]. 软件，2019，40（8）：156162

【Abstract】： Graphene as a conductive material for electrode materials can greatly improve the performance of lithium batteries. Traditional methods of preparation can only rely on past experience to reasonably speculate the synthesis and processing of materials. In this paper， based on the deep learning method， the data set in the experiment is trained. Through the K-fold cross-validation comparison experiment， the optimization algorithm is selected and the hyperparameter is adjusted to predict the resistivity of the test data set， and the relationship between the electrical properties of the material and the process parameters is constructed. . The results show that the deep learning model can predict the electrical properties of materials according to different process parameters， and the deep learning method can accelerate the research and development of graphene conductive agents， and provide guidance for the commercialization of graphene conductive agents.

【Key words】： Conductive agent; Deep learning; Predictive model

0  引言

日益严重的能源危机是21世纪的人类必须要面临的挑战，环境协调发展和能源可持续性供应对于满足现代社会日益增长的能源需求至关重要。自索尼公司在1991年首次推出锂离子电池以来，得益于锂离子电池能量转换效率高，存储能量多，近几十年产品不断迭新，为不断兴起的应用领域提供了强大的动力。例如，电动汽车，混合动力电动汽车及彻底改变现代人生活的移动电子设备[1]。虽然各类产品面临不同电池技术方面的挑战，但是提高电极导电率和电解质的离子扩散率是它们共同的难题[2]。锂离子电池的能量和功率密度基本上取决于电极材料的电化学性能[3]。通过增加电子的传导率以及在阳极和阴极材料间离子扩散率，可以改进锂电池的容量[4]。具有不同结构和尺寸的碳材料由于具有较高的电子和热导率、良好的化学稳定性和轻质性，已被广泛用作大多数商用锂电池的导电添加剂，除了碳黑、石墨粉等传统的碳材料外，碳纳米管、石墨烯等导电性较高的新型碳材料近年来也显示出作为导电添加剂的巨大潜力，被认为是一种非常有前途的锂离子电池正极和负极导电剂[5]。因此，如何大规模生产石墨烯，推进商业化和可行性应用成为了当前的研究热点。

目前，材料的设计和性能改良主要靠传统的实验方法去合成并测试结果，实验过程周期长，效率低。机器学习相比于传统的理论计算方法而言，泛化能力强，并且能与实验条件结合，加快材料的改善进程[6]。在材料计算的领域中，数据集具有规模大，维度高的特点，深度学习能提取数据间的规律和联系，构建模型学习特征，提升预测的准确性[7]。材料的研究与设计领域涌现出大批机器学习的的应用案例[8]，其中有金屬有机框架材料[9]（MOFs）、软物质及生物材料[10]、锂离子电池材料[11，12]、热电材料[13，14]、催化材料[15，16]、碳材料[17]等。机器学习在这种复杂且模糊的系统下有着优秀的学习和推导能力。然而当前材料的理论计算方法中的应用于一种或几种体系，特殊性，局限性特别强，现在还没有一种通用的系统方法。由于深度学习方法可以直接学习大量的实验数据、归纳实验条件和导电性间的对应关系，所以利用深度学习去优化实验条件参数是一种可行的途径[18]。例如在合金加工过程中，机器学习的方法可以预测工艺参数与合金性能之间的关系[19]。

目前对材料的研发设计和性能改善都处于探索性的阶段，缺乏对反应机理的深刻认知，多数情况下只能依赖过往的经验合理地推测材料的合成和加工流程。深度学习作为数据驱动的方法，切实地结合实验数据，提供了一种有前景的工艺优化方法。此外，实验提出的预测方法来验证深度学习在实验数据处理中的可行性与存在的优势。由于深度学习模型具有自学习更新能力，随着实验研究员数据样本的积累，预测结果更加准确，模型趋于完善。本文针对石墨烯导电剂制备过程中，参数寻优方法耗时费力的问题，拟选取行星球磨机制备石墨烯导电剂的数据，基于深度学习算法框架训练实验数据，提取实验特征值，通过K折交叉验证对比实验，选择优化算法及调节超参数，构建深度学习的预测模型，期望提供预测的准确性。

1  实验特征数据遴选

石墨烯是一种典型的二维平面材料，研究表明石墨烯是电极改性的最佳材料之一，它既具有良好的电子导电性，确保了碳原子在电子传递中的高利用效率，又具有较高的柔韧性，能够与活性材料良好接触，将石墨烯导电剂作为锂离子电池的电极材料能够改进电子和Li+的电导率[20]，并且循环充电次数增加，时间减少，内阻减小，显著提高了锂电池的电学性能[21]。

众所周知，石墨烯的特性通常是由它们的合成过程决定，不同的合成方法可以使石墨烯具有各种形态和性质，制备方法的加工成本是石墨烯在锂电池应用商业化的一个重要因素 [22]。机械剥离法制备的石墨烯结构完整，能以极低的成本实现大规模生产，而且制备工艺简单[23]。

1.1  材料选择

本次实验准备粒径大小不同的石墨粉体材料，包括325目，500目，1000目，2000目，3000目，如表2所示。实验中采用分散剂为NMP，DMF，PVP，2%GO及其一定比例的混合溶液。

1.2  实验器材

（1）实验室中采用的仪器是型号MITR-QXQM的中南大学粉末冶金研究院全方位行星式球磨机，磨罐型号如表3所示。

（2）球磨机分别配备了钢球直径为2 mm与3 mm钢珠。

（3）实验室采用的是ST2263型双电测数字式四探针测试仪，通过四探针电阻测试仪测量各个实验组中样品的电阻值。

（4）真空干燥箱在工作时向内部充入惰性气体，可以对样品进行快速干燥。

1.3  实验参数

实验的主要流程为：（1）称取石墨重量;（2）选择分散剂种类及容量;（3）选择球磨罐，磨球直径;（4）将石墨、分散剂和磨球加入球磨罐;（5）设置行星球磨机的工艺参数;（6）在不同研磨时段取出样品并干燥;（7）采用ST2263型双电测数字式四探针测试仪测试样本数据。实验参数如表4所示。

2  深度学习模型的构建

深度学習是计算机利用已有的数据，在算法的指导下自动优化并改进模型，使之能在新的应用情景中进行预测及判断[24]。深度学习是近年来人工智能的新兴领域，跨学科性强，其泛化能力可在复杂的体系中灵活运用。石墨烯导电剂制备的实验过程样本特征多，从数据特征及结果分析，难以发现内在的规律特征。因此，研发过程中， 首要找到实验参数与导电性之间的对应关系，然而多数情况下，材料制备条件与性质之间并不是理论解释两者之间的对应关系，利用深度学习进行模型训练，挖掘特征及标签间的对应关系，准确预测材料的性质是一种可行的方法。

实验中大规模的样本数据信息，真实结果往往与研究人员推理预设的结果存在很大的误差，在配置材料参数的时候难以定置平衡点。通过深度学习模型从大量的带有标签的实验数据中学习训练，自动从无标签预设的数据中挖掘共性特征定义于测试样本，对于石墨烯导电剂的制备研究工作具有一定的指导意义。

2.1  训练模型

在回归预测的训练中，需要带有标签的实验样本供计算机进行训练。当分类器从训练数据中学习到本征特征及数据间的关联后才能对新的特征样本进行预测。给定一组与输出{y（1），…，y（m）}相关联的数据点{x（1），…，x（m）}，本文采用线性回归模型作为分类器，根据x值预测y值。

深度学习模型通过学习多组机械剥离石墨的实验数据寻找模型参数，使得模型的预测值与真实值的误差最小。在机器学习训练线性回归模型时通常使用最小化平方损失函数的值来学习模型，得到模型参数θ的极大似然估计值，使模型尽可能的拟合数据集，其表达式为：

J（θ） = 1/2（ y ? ）2

在训练数据集中，一组实验数据被称为一个样本，研磨物的电阻率称为标签，用来预测标签的各因素称为特征。特征用来表征样本的实验条件。假设我们采集的样本数为n，索引为j的样本的特征为 i（j），标签为y（j）。对于索引为j的样本，线性回归模型的y值预测的表达式为：

…+b

2.2  评价指标

在深度学习的模型训练中，需要引入评价指标评估模型的准确度。本文使用对数均方根误差（RMSE）评价模型。RMSE表征了样本的离散程度。预测值 ，和对应的真实标签 ，其表达式为：

2.3  优化算法

深度学习模型训练的过程中，使用最小化平方损失函数的值来学习模型，优化算法即尽最大可能的将损失函数降低到最小值。由于机械剥离石墨的实验参数是研究人员不断调整的设想值，是初次试验后推理思考的数值。本文进行深度学习的训练数据是稀疏的，对收敛性有着更高的要求，因此选择自适应学习率的Adagrad， Adadelta， RMSprop， Adam等优化算法进行结果对比。