机器学习驱动的锌离子混合电容器碳阴极材料储能性能预测研究

　　为解决锌离子混合电容器(ZIHCs)碳阴极材料设计难题，研究人员通过机器学习(ML)和深度学习(DL)模型预测比电容(Cs )。LightGBM模型表现最优（R2 =0.986，RMSE=4.88 mAh g?1 ），并揭示孔体积(PV)、氮含量(N)和比表面积(SSA)为关键影响因素。该研究为高性能ZIHCs材料设计提供了数据驱动新范式。

　　

随着全球对高功率储能设备需求的激增，锌离子混合电容器(ZIHCs)因其兼具锌电池的高能量密度（理论容量820 mAh g^?1
）和超级电容器(SCs)的快速充放特性，成为研究热点。然而，传统实验方法优化碳阴极材料需耗费大量资源，且难以系统解析多参数影响机制。水合锌离子([Zn(H₂
O)₆
]²⁺
)直径达0.86 nm的特性，使得孔径设计面临"过大降低电荷密度、过小阻碍离子传输"的双重困境。

上海某高校研究团队在《Journal of Colloid and Interface Science》发表研究，首次构建624组碳阴极数据集，涵盖孔结构（SSA、PV、D_ap
）、掺杂（N、O含量）、缺陷密度（I_D
/I_G
）等9个特征，通过6种算法预测C_s
性能。研究采用SHAP和PDP技术解析特征贡献度，并合成生物质(BC)和MOF衍生碳进行实验验证。

关键技术包括：1) 文献挖掘构建624条目数据集；2) 对比SVR/RF/LightGBM及ANN/GNN/TabTransformer模型性能；3) SHAP值全局解释与PDP趋势分析；4) KOH活化法制备9种验证样品。

【数据编译和预处理】
团队收集的624组数据中，7项材料特征（SSA、PV、N含量等）和2项实验参数（电解液阴离子类型Anion、电流密度CD）经皮尔逊相关系数(PCC)分析，排除多重共线性干扰。

【相关性研究】
LightGBM在测试集表现最优（R²
较第二名的RF提升8.3%），其SHAP分析显示PV贡献度最高（32.1%），其次是N含量（21.4%）和SSA（18.9%）。PDP曲线揭示PV与C_s
呈正相关，而D_ap
超过4nm时性能骤降。

【结论】
研究证实ML可精准预测ZIHCs性能，LightGBM模型误差仅4.88 mAh g^?1
。特征重要性排序为PV>N>SSA>CD>O>I_D
/I_G
，为"孔径-掺杂"协同优化提供量化依据。实验验证中MOF衍生碳因兼具高PV（3.21 cm³
g^?1
）和N掺杂（4.3 at%），C_s
达218 mAh g^?1
，与预测值偏差<5%。

该研究突破传统"试错法"局限，首次建立ZIHCs碳阴极的ML设计框架。发现的PV-N-SSA关键因子组合，为开发新一代高容量储能材料指明方向。模型开源代码和数据集将加速ZIHCs产业化进程，对推动"双碳"目标下的绿色储能技术发展具有深远意义。