【摘 要】
：
Rational design of solid-state electrolytes(SSEs)with high ionic conductivity and low activation energy(Ea)is vital for all solid-state batteries.Machine learning(ML)techniques have recently been successful in predicting Li+conduction property in SSEs wit
【机 构】
：
Materials Genome Institute,Shanghai University,Shanghai 200444,China;Australian Nuclear Science and
论文部分内容阅读
Rational design of solid-state electrolytes(SSEs)with high ionic conductivity and low activation energy(Ea)is vital for all solid-state batteries.Machine learning(ML)techniques have recently been successful in predicting Li+conduction property in SSEs with various descriptors and accelerating the development of SSEs.In this work,we extend the previous efforts and introduce a framework of ML prediction for Ea in SSEs with hierarchically encoding crystal structure-based(HECS)descriptors.Taking cubic Li-argyrodites as an example,an Ea prediction model is developed to the coefficient of determination(R2)and root-mean-square error(RMSE)values of 0.887 and 0.02 eV for training dataset,and 0.820 and 0.02 eV for test dataset,respectively by partial least squares(PLS)analysis,proving the prediction power of HECS-descriptors.The variable importance in projection(VIP)scores demonstrate the combined effects of the global and local Li+conduction environments,especially the anion size and the resultant structural changes associated with anion site disorder.The developed Ea prediction model directs us to optimize and design new Li-argyrodites with lower Ea,such as Li6-xPS5-xCl1+x(＜0.322 eV),Li6+xPS5+xBr1-x(＜0.273 eV),Li6+xPS5+xBr0.25I0.75-*(＜0.352 eV),Li6+(5-n)yP1-yNyS5I(＜0.420 eV),Li6.(5-n)yAs1-yNyS5I(＜0.371 eV),Li6+(5-n)yAs1-yNySe5I(＜0.450 eV),by broadening bottleneck size,invoking site disorder and activating concerted Li+conduction.This analysis shows great potential in promoting rational design of advanced SSEs and the same approach can be applied to other types of materials.
其他文献
The late Ediacaran Shuram Excursion (SE) records the most prominent negative δ13C excursions (δ13C =-12‰) during Earth\'s history.It has been hypothesized to have resulted from oxidation of dissolved organic matter,diagenetic or authigenic precipitates.
以喀什乌恰地区为研究区,利用统计回归的方法,采用线性对数模型,拟合得到该地区VS10和VS20关系式,lgVS20=0.3944+0.86161gVS10;T0和VS20关系式,ln(VS20)=5.1497-0.40261n(T0),2个关系式决定系数均大于0.8,相关性较好.T0和VS20分析中,发现当场地覆盖层厚度较小时,场地卓越周期较小,此时T0主要受剪切波速影响,2者相关性较好;当场地覆盖层厚度较大时,场地卓越周期较大,此时T0受剪切波速影响有所减弱.
收集2008年1月1日～2018年12月31日的全国地磁台站垂直分量(Z)数据,运用地磁日变低点位移方法,提取并分析了新疆地区11次M_S≥6.0地震前地磁垂直分量(Z)低点位移异常,结果表明,新疆地区强地震活动与地磁垂直分量低点位移异常之间有较好的对应关系;时间特征上地震发生日期一般为异常出现后的第27±4 d或41±4 d的概率为75%,与预报指标基本一致;空间特征上呈全国性和区域性,以区域性
运用地磁Z分量日变幅逐日比、地磁加卸载响应比、地磁垂直强度极化法对2008～2018年乌鲁木齐台数字化地磁观测资料进行分析提取地磁异常,并与周边10次中强地震的对应关系进行梳理。结果表明:(1)通过震例总结,确定了乌鲁木齐地磁3种方法的最佳阈值。(2)当3种地磁分析方法同步出现异常时,异常信度增大。(3)时间上,地震均发生在首次异常发生的6个月内。地点上,地震多发生在距台站50～250 km范围内
收集新疆和田地震台地电场数字化以来的连续观测数据,研究台站300 km内发生的M_S≥5.5强震前的地电场岩体裂隙变化特征。结果表明,和田地震台地电场观测场地岩体裂隙发育较好,处于长期集中,而且中强以上地震发生前和田台地电场岩体裂隙优势方位角容易发生偏转和大幅度间断性突跳等结构变异。通过和田台周围5次典型震例解析,发现地震越强,其异常出现得越早;地电场异常的方向性与震中方位有一定关联性,但也与震源
Proton exchange membrane fuel cells(PEMFCs)suffer extreme CO poisoning even at PPM level(＜10 ppm),owning to the preferential CO adsorption and the consequential blockage of the catalyst sur-face.Herein,however,we report that CO itself can become an easily
选取2014年1月～2019年3月M_S≥4.0的新疆地震台网速报地震,通过标注初至震相Pg、Pn震相,对震中位置达到最大包围后,再标注续至震相Sg、Sn震相,分析增加Sg、Sn震相对新疆及相邻地区速报地震定位的影响。结果表明:网内地震,除了西昆仑和阿尔金山地区,新疆其他地区均可只标注Pg、Pn震相定位震中位置,且与中国地震台网中心统一目录的震中偏差不超过10 km;西昆仑及阿尔金山地区,标注3～
根据宁波市地震信息报送要求,设计了震情信息处理系统的需求方案。应用JAVA编程语言及J2EE系统架构技术,基于WEB界面,实现了包括震情快速获取、短信自动发送、规则权限设置、通讯录管理等功能的震情信息处理系统软件。此软件具有功能完善、系统稳定、操作灵活,满足本地个性化需求的优势,较大程度上提高了震情信息报送效能,有助于震情快速反应。
介绍基于微信公众平台的地震应急救援协同联动系统架构与设计,阐述系统的实现技术和各模块功能,并以2020年1月19日新疆伽师M_S6.4地震灾情获取和多方协同联动为例,展示了地震灾区公众、现场指挥部和协同联动成员等多方的信息互通与共享,初步实现地震灾情信息获取和应急指挥的数字化和平台化。结果表明,作为当前新型应急管理模式下的技术支撑系统,地震应急救援协同联动平台能扩展灾情信息收集的渠道,一定程度上转
树高、胸径和冠幅等林分参数不但可以预测森林蓄积量、生物量、林分结构等,还是森林资源调查及经营效果评价的重要因子.建立树高、胸径和冠幅预测模型可以为森林资源质量和林木生长状况的评价提供支撑.本文以冀北崇礼山地白桦树高、胸径及冠幅的实地测量数据为基础,采用林木生长常用的4种基础回归模型和2种经验模型进行生长关系预测研究.在所选取的基础回归模型和经验模型中,确定Richards经验模型为预测该地区白桦树高-冠幅、胸径-冠幅及树高-胸径关系的最佳模型,R2为0.8以上.同时模型简单的幂函数和线性函数的拟合度也较好