期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于分子指纹及机器学习回归模型的有机光伏材料效率预测
被引量：
3
1
作者
郑玉杰
梁鑫斌
+4 位作者
张起
孙文博
施童超
杜鹃
孙宽
《材料导报》
EI
CAS
CSCD
北大核心
2021年第8期207-212,共6页
有机太阳能电池(OPV)的发展依赖于新型高效OPV材料的开发。近几年来,为解决传统有机太阳电池材料开发模式低效的问题,机器学习辅助OPV材料开发的新模式得到了广泛的关注。本工作提出一种结合分子指纹和机器学习回归模型的新方法,实现了...
有机太阳能电池(OPV)的发展依赖于新型高效OPV材料的开发。近几年来,为解决传统有机太阳电池材料开发模式低效的问题,机器学习辅助OPV材料开发的新模式得到了广泛的关注。本工作提出一种结合分子指纹和机器学习回归模型的新方法,实现了OPV给体材料光电转换效率的快速预测。基于从文献中收集的给体材料数据库,系统地比较了不同分子指纹作为各种机器学习模型输入的预测精度。结果表明,Morgan分子指纹与随机森林模型的组合在决定系数指标下性能最优,而Hybridization分子指纹与支持向量机模型的组合在平均绝对误差指标下性能最优。同时,各模型的预测精度随着分子指纹的位数增加而提高。该方法可广泛用于新设计的OPV材料的快速初筛,从而提升新型OPV材料的研发速度,促进高性能OPV的快速发展。
展开更多
关键词
有机太阳能电池
给体材料
光电转换效率预测
机器学习
分子指纹
回归模型
在线阅读
下载PDF
职称材料
加速钙钛矿太阳能电池开发:基于机器学习驱动框架的SHAP分析
2
作者
梁锐权
刘谦
+4 位作者
胡春华
郑建楂
李阳
王亦文
麦耀华
《发光学报》
2025年第11期2138-2149,共12页
钙钛矿太阳能电池(Perovskite solar cells,PSCs)以其高性能在新型太阳能电池技术中占据了重要地位。针对传统实验试错法在提升PSCs的光电转换效率(Power conversion efficiency,PCE)方面存在研究周期长和效率低下的不足,提出了一种基...
钙钛矿太阳能电池(Perovskite solar cells,PSCs)以其高性能在新型太阳能电池技术中占据了重要地位。针对传统实验试错法在提升PSCs的光电转换效率(Power conversion efficiency,PCE)方面存在研究周期长和效率低下的不足,提出了一种基于机器学习(Machine learning,ML)的PSCs制备工艺的智能优化方法。通过应用多种ML算法构建PCE预测模型,最终选择性能卓越的梯度提升(Gradient boosting,GB)模型进行夏普利加性解释(Shapley additive explanations,SHAP)可视化分析和实验验证。实验结果表明,基于模型输出指导的实验使PSCs的PCE达到了21.81%。本工作不仅有效解决了传统实验试错法的局限性,还攻克了ML在PSCs领域应用中预测精度低的难题,为快速开发高PCE的PSCs提供了新视角和科学依据,也为其他新型太阳能电池技术的开发提供了参考。
展开更多
关键词
钙钛矿太阳能电池
机器学习
夏普利加性解释(SHAP)分析
光电转换效率预测
在线阅读
下载PDF
职称材料
题名
基于分子指纹及机器学习回归模型的有机光伏材料效率预测
被引量：
3
1
作者
郑玉杰
梁鑫斌
张起
孙文博
施童超
杜鹃
孙宽
机构
重庆大学能源与动力工程学院
中国科学院上海光学精细机械研究所高场激光物理国家重点实验室
中国科学院大学材料科学与光电子工程中心
出处
《材料导报》
EI
CAS
CSCD
北大核心
2021年第8期207-212,共6页
基金
国家自然科学基金(62074022,12004057)
重庆市自然科学基金(cstc2018jszx-cyzd0603)
+2 种基金
重庆市“留学人员创业创新支持计划”(cx2017034)
中央高校基本科研业务费(2020CDJQY-A055)
低品位能源利用技术及系统教育部重点实验室开放基金(LLEUTS-2020008)。
文摘
有机太阳能电池(OPV)的发展依赖于新型高效OPV材料的开发。近几年来,为解决传统有机太阳电池材料开发模式低效的问题,机器学习辅助OPV材料开发的新模式得到了广泛的关注。本工作提出一种结合分子指纹和机器学习回归模型的新方法,实现了OPV给体材料光电转换效率的快速预测。基于从文献中收集的给体材料数据库,系统地比较了不同分子指纹作为各种机器学习模型输入的预测精度。结果表明,Morgan分子指纹与随机森林模型的组合在决定系数指标下性能最优,而Hybridization分子指纹与支持向量机模型的组合在平均绝对误差指标下性能最优。同时,各模型的预测精度随着分子指纹的位数增加而提高。该方法可广泛用于新设计的OPV材料的快速初筛,从而提升新型OPV材料的研发速度,促进高性能OPV的快速发展。
关键词
有机太阳能电池
给体材料
光电转换效率预测
机器学习
分子指纹
回归模型
Keywords
organic photovoltaics
donor material
power conversion efficiency prediction
machine learning
molecular fingerprint
regression model
分类号
TB303 [一般工业技术—材料科学与工程]
在线阅读
下载PDF
职称材料
题名
加速钙钛矿太阳能电池开发:基于机器学习驱动框架的SHAP分析
2
作者
梁锐权
刘谦
胡春华
郑建楂
李阳
王亦文
麦耀华
机构
五邑大学电子与信息工程学院
出处
《发光学报》
2025年第11期2138-2149,共12页
基金
国家自然科学基金青年科学基金(62405113)
广州市科技计划项目(SL2024A04J00418)
广东省重点领域研发计划项目(2019B010132004)。
文摘
钙钛矿太阳能电池(Perovskite solar cells,PSCs)以其高性能在新型太阳能电池技术中占据了重要地位。针对传统实验试错法在提升PSCs的光电转换效率(Power conversion efficiency,PCE)方面存在研究周期长和效率低下的不足,提出了一种基于机器学习(Machine learning,ML)的PSCs制备工艺的智能优化方法。通过应用多种ML算法构建PCE预测模型,最终选择性能卓越的梯度提升(Gradient boosting,GB)模型进行夏普利加性解释(Shapley additive explanations,SHAP)可视化分析和实验验证。实验结果表明,基于模型输出指导的实验使PSCs的PCE达到了21.81%。本工作不仅有效解决了传统实验试错法的局限性,还攻克了ML在PSCs领域应用中预测精度低的难题,为快速开发高PCE的PSCs提供了新视角和科学依据,也为其他新型太阳能电池技术的开发提供了参考。
关键词
钙钛矿太阳能电池
机器学习
夏普利加性解释(SHAP)分析
光电转换效率预测
Keywords
perovskite solar cells
machine learning
Shapley additive explanations(SHAP)analysis
power conversion efficiency(PCE)prediction
分类号
TM914.4 [电气工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于分子指纹及机器学习回归模型的有机光伏材料效率预测
郑玉杰
梁鑫斌
张起
孙文博
施童超
杜鹃
孙宽
《材料导报》
EI
CAS
CSCD
北大核心
2021
3
在线阅读
下载PDF
职称材料
2
加速钙钛矿太阳能电池开发:基于机器学习驱动框架的SHAP分析
梁锐权
刘谦
胡春华
郑建楂
李阳
王亦文
麦耀华
《发光学报》
2025
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
