【引言】
近年来，将生物质基活性碳材料应用在储能领域是一大研究热点，关于陆生生物为前驱体的文献报道已有很多，对于海生生物的研究相对较少。海藻属于大型藻类，过量堆积会爆发绿潮，破坏海洋生态系统，寻找一种环保经济的处置方式迫在眉睫。由于生物质种类多样性，碳材料的结构也各不相同，到目前为止，生物质基超级电容器的电极材料构效关系尚无定论，在众多的生物质结构特征中，对电化学性能的相对重要性还未报道。随着计算机科学与数据挖掘技术的迅猛发展，应用机器学习算法对多因素变量进行预测与分析已成为可能。人工神经网络是一项人工智能时代最为成熟的技术，通过模拟人脑的认知过程构建若干隐藏层，前向传播与反向传播相互协调，得到输入与输出变量的函数关系。将该模型引入到超级电容器中，寻找构效关系是简单可行的方法。
【成果简介】
本论文以海藻为前驱体，通过酸洗除杂、高温碳化和化学活化等步骤，制备了一种分层多孔的蜂巢结构活性碳材料(NFAC-c)。氢氟酸能够把样品表面的盐类等无机杂质彻底清洗，导致活性碳的介孔比例增大，促进电解液离子在电极材料中的传输。在超级电容器应用中，表现出良好的电化学储能特性。在两电极体系下测试，当电流密度为0.1 A/g时，比电容为283 F/g，当电流密度增到20 A/g，比电容仍保有67%。循环充放电10000次，电容量保持稳定状态（保有率101%）。能量密度为22 Wh/kg时对应的功率密度达到80 W/kg。数值模拟部分通过搜集近两年关于生物质基超级电容器的数据，提取并建立了200种生物质结构与性能的数据库。借助先进的机器学习技术—人工神经网络，应用反向传播算法实现了对不同结构生物质的电化学性能预测。当输入层为10个神经元，两个隐藏层激活函数分别为tanh和Relu，经历1000次迭代循环，输出层预测与真实电容量的均方误差降为4.39，相关系数为0.864，计算给出了生物质的不同结构特征对电化学性能的相对重要性，影响最大的三个特征分别为比表面积（30.1%）、内阻（19.4%）和孔体积（18.7%），能够精准把控生物质前驱体本征结构和超容性能的构效关系。
【图文导读】
图1 （a）NFAC-c的SEM图片；（b）NFAC-c的TEM图片；（c）不同酸性溶液处理后的活性炭的氮气吸脱附等温曲线；（d）不同酸性溶液处理后的活性炭的孔径分布。
图2 不同酸性溶液处理后活性炭的电化学性能；（a）在电流密度为1A/g的条件下，测试的恒流充放电曲线；（b）频率范围在0.01 Hz-100k Hz时的交流阻抗图谱。NFAC-c的电化学性能；（c）不同扫描速率下的循环伏安曲线；（d）不同电流密度下的恒流充放电曲线。
图3 （a）NFAC-c的循环稳定性测试，附图为第1次与循环充放电10000次之后的恒流充放电曲线对比；（b）NFAC-c的功率密度与能量密度关系图，附图为两块纽扣式超级电容器串联点亮的LED灯。
图4 生物质基超级电容器的人工神经网络模型图。
图5 反向传播算法流程图。
图6 人工神经网络模型对生物质基超级电容器性能的预测效果；（a）预测值与真实值的均方误差随迭代次数的变化；（b）验证集数据的真实值与预测值比较；（c）不同运行次数的海藻基活性炭的电化学性能预测；（d）生物质结构特征对比电容的相对重要性。
【文章题目】
Modifying microstructureof algae-based active carbon and modelling supercapacitors using artificialneural network 论文通讯作者为马雷教授，第一作者为硕士研究生王佳帅，相关研究成果刊登于RSC Advances, 2019,14797–14808 http://doi.org/10.1039/c9ra01255a
