中科院納米能源所孫其君研究員、王中林院士團隊AFM綜述：機器學習賦能自充電電源！

1.引言

物聯網與可穿戴設備的爆發式增長推動了傳感器網絡的大規模部署，從城市基礎設施監控到個人健康管理，各類傳感器已成爲環境感知與數據傳輸的核心節點。然而，電池的固有侷限性，如循環壽命有限、充電時間過長以及廢棄回收帶來的環境問題，對整個物聯網系統的整體發展構成了重大障礙。在此背景下，自充電電源系統（SCPS）應運而生。該系統通過集成環境能量收集技術與高效儲能單元，實現從環境中採集能量並實時存儲，爲傳感器網絡提供免維護的持續供電方案。在SCPS的背景下，多個組件之間的協同工作涉及不同的設備原理和複雜的結構設計。這種複雜性對提高系統的可持續性和能量轉換效率構成了重大挑戰。相較於使用傳統的實驗方法應對這些挑戰，機器學習已經成爲一種關鍵技術，能更高效地輔助SCPS組件開發和整體性能提升。

近日，中國科學院北京納米能源與系統研究所孫其君研究員、王中林院士團隊在《Advanced Functional Materials》發表題爲《Machine Learning Enhanced Self-Charging Power Sources》的綜述文章，系統回顧了SCPS的發展以及機器學習在SCPS中的應用，特別關注基於摩擦電納米發電機（TENG）和超級電容器（SC）的SCPS。結合以往關於TENG性能預測的理論研究，提出了一個帶有建議參數的通用機器學習工作流程。此外，碳基SC材料的機器學習指導設計和計算機輔助抑制自放電性能被選爲典型示例進行討論。該綜述爲推動機器學習和SCPS的進一步結合提供了理論指導。

圖1. 基於機器學習的TENG-SC自充電電源系統優化

2.自充電電源系統的發展

TENG憑藉其高輸出性能、成本效益和環境友好特性，在收集環境機械能方面展現出獨特優勢。然而，其輸出的交流電特性要求必須通過整流電路和電源管理系統處理後才能存儲使用。目前，基於TENG的SCPS主要採用SC或電池作爲儲能單元。相比傳統電池，SC具有更高的功率密度和更優異的循環穩定性，使其成爲TENG系統的理想儲能配套。圖2展示了基於TENG和SC的自充電電源系統。文章根據結構維度推進，介紹了包括纖維狀、紡織基、紙基和三維結構的SCPS的發展現狀。

圖2. 基於TENG和SC的自充電電源系統示意圖

3.機器學習在能量採集和儲存器件中的應用

探討了機器學習在能量收集/儲存材料及裝置中的應用。相關研究涉及各種機器學習模型，如線性迴歸、決策樹、隨機森林和支持向量機，以及人工神經網絡，包括深度神經網絡、卷積神經網絡、遞歸神經網絡、圖神經網絡等。這些機器學習算法在能量收集器件中得到了廣泛的應用，特別是在基於光伏、熱電、壓電、和摩擦電技術的材料和設備中。此外，這些方法也已被廣泛用於儲能器件，特別是電池和SC。傳統機器學習方法（如隨機森林、支持向量機）在結構化數據上表現優異。深度學習通過多層神經網絡自動提取特徵，在處理非結構化數據方面更具優勢。

圖3. 機器學習在能量收集和儲存器件中的應用

4.基於機器學習的TENG性能優化

TENG是SCPS中重要的能量收集單元，使用機器學習提高TENG性能是整個系統優化的重要一步。本部分簡要概述了TENG技術的基本機制和當前進展，然後回顧了機器學習輔助TENG設計優化的進展。最後，提出了通用的機器學習架構以及建議的參數來預測TENG的輸出性能。

機器學習技術的過程可以分爲五個關鍵環節：1）數據的收集和預處理。2）執行特徵工程以識別重要的輸入參數。3）選擇合適的機器學習算法。4）模型的訓練和評估。5）將最佳訓練模型應用於預測，然後進行實驗驗證。文章詳述了每個步驟的流程與涉及方法，並針對TENG的性能優化提出具體建議。

TENG性能優化的建議參數被總結爲以下幾類：1）結構參數：包括最大位移面積、器件接觸面積和負載電阻等；2）材料參數：包括材料介電常數、表面處理工藝和有效介電層厚度等；3）環境參數：通常包括環境溫度、溼度及氣壓；4）其它參數：包括器件運行時的速度、運動週期及施加力大小等。

圖4. 基於機器學習的TENG性能優化的一般參數與流程

5.基於機器學習的超級電容器性能優化

此節首先介紹了SC當前的發展與限制。SC作爲自充電能源系統的核心儲能單元，具有高功率密度和長循環壽命的優勢。其儲能機制主要分爲雙電層電容和贗電容，其中電極材料是決定性能的關鍵因素。然而，自放電現象會導致能量損失，成爲制約其應用的主要挑戰。碳基材料因其優異的導電性和穩定性成爲主流電極選擇，但需通過材料改性抑制自放電。

圖5. 超級電容器的儲能和自放電機理

以碳基SC爲討論對象，總結了機器學習在該領域的應用。例如使用機器學習技術分析孔隙結構（比表面積、孔徑）和雜原子摻雜（如氮、氧）等關鍵參數，顯著提升了SC的設計效率。且機器學習算法在預測電容性能方面表現優異，可指導優化材料合成工藝。例如可以通過機器學習模型發現氮摻雜可提升電極潤溼性和電容，還可以策略性調控孔徑分佈，提高能量密度。數據驅動方法可以大大縮短試錯週期。

針對SC的自放電問題，計算機輔助的等效電路建模和參數優化提供了新的解決方案。例如數值模型能精準模擬SC長期自放電行爲，而建立電路模型可以有效預測了初始電壓、充電持續時間及溫度對開路電壓衰減的影響。

6.總結與展望

這篇綜述對集成能量收集/存儲系統的最新進展進行了全面的回顧，特別關注基於TENG和SC的SCPS的進展。從理論文獻中收集了與TENG性能相關的關鍵參數，並提出了使用機器學習預測和指導TENG設計的方案。對於SC，重點關注使用機器學習設計最常見和最經濟的碳材料。這涉及將孔徑、官能團和測試條件等參數納入學習模型，以預測SC的性能。此外，基於等效電路模擬和數值方法分析的自放電機制研究，爲優化電極材料和電解液設計提供了新思路。

對於SCPS，當前研究仍面臨能量轉換效率低、器件壽命有限等挑戰，特別是在TENG與儲能器件阻抗匹配、功率管理電路優化等方面亟待突破。現有機器學習應用多集中於器件結構參數優化，未來需向材料開發和系統集成方向拓展。

來源：高分子科學前沿

聲明：僅代表作者個人觀點，作者水平有限，如有不科學之處，請在下方留言指正！