New Year

學(xué)習(xí)目標(biāo)

鋰離子電池與機(jī)器學(xué)習(xí)背景

Python基礎(chǔ)語(yǔ)法、函數(shù)、模塊和包、面向?qū)ο缶幊?/span>

機(jī)器學(xué)習(xí)庫(kù)介紹：Numpy、Pandas、Matpliotlib、Seaborn、Scikit-learn

第一天下午

監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)

K-近鄰、支持向量機(jī)、決策樹(shù)、線性回歸、邏輯回歸

實(shí)戰(zhàn)一：使用機(jī)器學(xué)習(xí)預(yù)測(cè)鋰離子電池性能：特征工程描述包括電池的充放電循環(huán)數(shù)據(jù)、溫度、電流、電壓、電池的制造參數(shù)、材料特性等，選擇不同的機(jī)器學(xué)習(xí)模型，例如決策樹(shù)、隨機(jī)森林、支持向量機(jī)，最后進(jìn)行性能評(píng)估。

第二天上午

K-均值聚類、層次聚類、PCA、t-SNE

集成學(xué)習(xí)：隨機(jī)森林、Boosting

交叉驗(yàn)證、性能指標(biāo)、模型評(píng)估與選擇、網(wǎng)格搜索

實(shí)戰(zhàn)二：聚類分析在電池性能分類中的應(yīng)用：根據(jù)電池的容量、能量密度、內(nèi)阻、循環(huán)穩(wěn)定性等特征，選擇合適的聚類算法，并通過(guò)降維判斷聚類結(jié)果的有效性。

第二天下午

神經(jīng)網(wǎng)絡(luò)基礎(chǔ)、激活函數(shù)、損失函數(shù)、梯度下降與反向傳播

Pytorch構(gòu)建全連接神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)中的正則化技術(shù)：L1、L2、Dropout

優(yōu)化算法：SGD、Adam、RMSprop

超參數(shù)調(diào)優(yōu)：網(wǎng)格搜索、隨機(jī)搜索、貝葉斯優(yōu)化

實(shí)戰(zhàn)三：基于深度學(xué)習(xí)的高熵材料的虛擬高通量篩選： 收集和整理用于訓(xùn)練的數(shù)據(jù)集，包括高熵材料的化學(xué)組成、晶體結(jié)構(gòu)、物理化學(xué)性質(zhì)等，使用準(zhǔn)備好的數(shù)據(jù)集對(duì)深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，并采用交叉驗(yàn)證等方法來(lái)評(píng)估模型的泛化能力。

第三天上午

循環(huán)神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)

圖神經(jīng)網(wǎng)絡(luò)

注意力機(jī)制

Transformer架構(gòu)

生成對(duì)抗網(wǎng)絡(luò)

變分自編碼器

實(shí)戰(zhàn)四：基于圖神經(jīng)網(wǎng)絡(luò)的鋰離子電池性能預(yù)測(cè)：構(gòu)建圖神經(jīng)網(wǎng)絡(luò)模型，選擇合適的架構(gòu)，如GCN、GAT等，來(lái)學(xué)習(xí)材料圖特征節(jié)點(diǎn)和邊的表示，用于預(yù)測(cè)鋰離子電池性能。

第三天下午

鋰離子正極材料的特征工程

實(shí)戰(zhàn)五：基于機(jī)器學(xué)習(xí)的鋰金屬正極材料的穩(wěn)定性預(yù)測(cè)：選擇合適的機(jī)器學(xué)習(xí)模型，如支持向量機(jī)、隨機(jī)森林、集成學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)，使用適當(dāng)?shù)脑u(píng)估指標(biāo)，如準(zhǔn)確率、召回率、F1分?jǐn)?shù)等，來(lái)衡量模型預(yù)測(cè)鋰金屬正極材料穩(wěn)定性的性能。

實(shí)戰(zhàn)六：實(shí)驗(yàn)引導(dǎo)的高通量機(jī)器學(xué)習(xí)分析：講解將機(jī)器學(xué)習(xí)模型集成到實(shí)驗(yàn)流程中，優(yōu)化實(shí)驗(yàn)過(guò)程，實(shí)現(xiàn)從實(shí)驗(yàn)設(shè)計(jì)到數(shù)據(jù)分析的自動(dòng)化和智能化。

第四天上午

基于鋰離子電池的機(jī)器學(xué)習(xí)與多尺度模擬

機(jī)器學(xué)習(xí)、分子動(dòng)力學(xué)模擬與第一性原理計(jì)算

機(jī)器學(xué)習(xí)與實(shí)驗(yàn)結(jié)合

實(shí)戰(zhàn)七：機(jī)器學(xué)習(xí)加速尋找新的固體電解質(zhì)：構(gòu)建包含已知固體電解質(zhì)材料的數(shù)據(jù)庫(kù)，包括它們的化學(xué)組成、晶體結(jié)構(gòu)、離子導(dǎo)電性等屬性，利用訓(xùn)練好的模型對(duì)大量候選材料進(jìn)行虛擬篩選，預(yù)測(cè)它們的離子導(dǎo)電性，快速識(shí)別出有潛力的新固體電解質(zhì)。

第四天下午

機(jī)器學(xué)習(xí)在電池管理系統(tǒng)中的應(yīng)用介紹

電池管理系統(tǒng)（BMS）的功能與組成

電池充放電管理

電池安全與保護(hù)

電池健康狀態(tài)的指標(biāo)

電池老化分析

基于機(jī)器學(xué)習(xí)的電池充放電策略優(yōu)化

第五天上午

實(shí)戰(zhàn)八：電池管理系統(tǒng)：物理模型與機(jī)器學(xué)習(xí)集成：利用機(jī)器學(xué)習(xí)預(yù)測(cè)電池的長(zhǎng)期性能和壽命，將機(jī)器學(xué)習(xí)集成到BMS中，實(shí)現(xiàn)對(duì)電池狀態(tài)的實(shí)時(shí)監(jiān)控和控制，定期評(píng)估機(jī)器學(xué)習(xí)模型的性能，并根據(jù)新的數(shù)據(jù)和反饋進(jìn)行優(yōu)化。

實(shí)戰(zhàn)九：機(jī)器學(xué)習(xí)用于鋰離子電池的實(shí)時(shí)充電狀態(tài)（SOC）和健康狀態(tài)（SOH）估計(jì)：收集電池在不同充放電條件下的運(yùn)行數(shù)據(jù)，包括電壓、電流、溫度、充放電時(shí)間等，訓(xùn)練機(jī)器學(xué)習(xí)模型，并通過(guò)交叉驗(yàn)證等方法評(píng)估模型的準(zhǔn)確性和泛化能力，實(shí)現(xiàn)對(duì)SOC和SOH的實(shí)時(shí)估計(jì)。

第五天下午

實(shí)戰(zhàn)十：基于GRU、LSTM、Transformer鋰電池剩余壽命預(yù)測(cè)：重點(diǎn)講解如何設(shè)計(jì)GRU、LSTM或Transformer模型的架構(gòu)，包括層數(shù)、隱藏單元的數(shù)量、輸入和輸出維度等，比較GRU、LSTM和Transformer模型的性能。

實(shí)戰(zhàn)十一：從實(shí)驗(yàn)數(shù)據(jù)出發(fā)重構(gòu)Mn-DRX設(shè)計(jì)思路：講解通過(guò)深度學(xué)習(xí)模型預(yù)測(cè)無(wú)序巖鹽（DRX）材料結(jié)構(gòu)和性能之間的關(guān)系，構(gòu)造給定條件下的電壓和容量之間的關(guān)系映射，講解DRXNet模型將正極材料化學(xué)組分、電化學(xué)測(cè)試電流密度、工作電壓窗口以及循環(huán)次數(shù)作為輸入，來(lái)預(yù)測(cè)若干條放電曲線。

部分案例圖片：