我讀了1000篇文獻，建了一個碳基超電容的資料庫

來自專欄極簡電化學55 人贊了文章

我最近發表了一篇小文章，通過神經網路來對碳基超級電容器進行分析。

為了收集數據，我手工分析了1000篇左右的論文，提取出了其中關於碳材料超電容的相關數據，並建立了一個資料庫。

文章鏈接如下，資料庫是Supplementary data的第一個文件。

Artificial Neural Network Enabled Capacitance Prediction for Carbon-Based Supercapacitors?

www.sciencedirect.com

超級電容器作為典型的能量存儲應用具有許多優點，例如高功率密度和長週期壽命。

超級電容器的關鍵部件是電極，由於其優異的物理和化學性質，最廣泛使用的電極材料是碳。為了提高超級電容器的性能，研究人員迫切希望增加碳電極的電容。為了實現這一目的，採用的手段包括通過增加比表面積，控制孔結構和引入表面官能團等。

然而，目前還沒有公認的理論可以系統地解釋如何增加電容。對電容器電極的改進工作僅依賴於幾個經驗公式或粗略的理論模型。結果，文獻中的電容數據非常分散從10到800F/g不等。因此，迫切需要獲得用於預測碳基超級電容器的評估系統。

為瞭解決這個問題，一種可行的方法是大數據。傳統上，通常收集實驗數據，然後進行外推預測。但是，這種方法似乎不支持使用多因素控制進行性能預測的大量數據。在各種數據科學技術中，人工神經網路（ANN）是分析複雜和非線性行為的有效估計技術[3]。 ANN的優勢在於它可以發現系統的輸入和輸出之間的關係，而無需詳細瞭解所涉及的機制。考慮到碳基超級電容器中的複雜變數，這是一個理想的ANN問題。

從哪裡獲得數據呢？這是另一個問題。

目前，在人工神經網路輔助材料設計領域，數據來自幾個大型項目，如材料基因組計劃和開放量子材料資料庫。在這些資料庫中，可以獲得包括電學，光學，機械性質的材料的性質。然而，在碳基超級電容器中，確定主要材料，即碳。真正影響性能的因素轉向材料的微觀結構和表面官能團。更重要的是，實際應用的測試細節也有其影響。遺憾的是，沒有資料庫可用於描述上述數據。在這方面，我們認為一種合理的方法是直接從現有文件中提取數據。例如，Ghadbeigi等。提供了鋰離子電池電極材料的性能指標，其數據摘自~200篇文獻。 Raccuglia等。應用類似的人體數據檢索技術，編製~4000個反應條件，用於訓練機器學習合成釩亞硒酸鹽晶體。因此，從已有文獻中獲取數據並應用ANN來分析碳基超級電容器，這是一個有趣的課題。

為了建立這個資料庫，我們收集了1000多篇關於碳基超級電容器的論文，並從中精選出300篇研究比較系統的論文。然後，提取了681組數據，包括碳材料的物理和化學特徵（即比表面積SSA，孔體積，微孔體積，ID/IG比，摻雜元素）和測試系統（即電解質，測試電壓）窗口，以及相應的具體容量）。