Nanomalzeme İle Hazırlanan Elektrodun Elektrokimyasal Performansının Makine Öğrenmesi İle Doğrulanması

Okçu M. F., Altan A., Sanduvaç S., Çıtakoğlu H., Kılıç Dokan F., Şahmetlioğlu E.

14. Uluslararası Palandöken Bilimsel Çalışmalar Kongresi, Erzurum, Türkiye, 21 - 22 Temmuz 2026, ss.1-15, (Tam Metin Bildiri)

  • Yayın Türü: Bildiri / Tam Metin Bildiri
  • Basıldığı Şehir: Erzurum
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.1-15
  • Kayseri Üniversitesi Adresli: Evet

Özet

Gelişen enerji depolama teknolojilerinde, yüksek kapasite ve uzun döngü ömrüne sahip batarya sistemlerinin geliştirilmesi kritik bir öneme sahiptir. Bu çalışmada, hidrotermal yöntemle hedeflenen elektrot malzemesinin sentezi başarıyla gerçekleştirilmiştir. Sentezlenen malzemenin yapısal, morfolojik ve kimyasal özellikleri XRD, SEM, EDX ve FT-IR analizleri ile; gözenek yapısı ve spesifik yüzey alanı ise BET analizi ile karakterize edilmiştir. Malzemenin elektrokimyasal performansı; döngüsel voltametri (CV), galvanostatik şarj-deşarj (GCD) ve elektrokimyasal empedans spektroskopisi (EIS) ölçümleriyle detaylıca incelenmiştir.

Deneysel süreçlerden elde edilen geniş veri seti kullanılarak, bataryanın uzun dönem performansını öngörmek amacıyla hibrit makine öğrenmesi (ML) modelinden yararlanılmıştır. Sentezlenen elektrot malzemesinin döngü ömrü boyunca sergilediği Capacitance (F) ve Coulombic verimi (%) gibi kritik elektrokimyasal parametreler, veri odaklı zaman serisi yöntemiyle yüksek doğrulukla modellenmiştir. Hibrit makine öğrenmesi modeli, 10.000 döngülük geniş veri setinde gecikmeli değişkenler sayesinde geçmiş durum bağımlılıklarını başarıyla öğrenmiştir. Model, istatistiksel metrikler ve grafiksel analizlerle kanıtlanmış, elektrokimyasal parametrelerdeki doğrusal trendleri, ani dalgalanmaları ve dinamik değişimleri yüksek kararlılık ve adaptasyon kabiliyetiyle tahmin etmeyi başarmıştır. Geliştirilen hibrit ML yaklaşımı, geleneksel ve zaman alıcı uzun dönem döngü testlerine dinamik, düşük maliyetli ve hızlı bir alternatif sunmuştur. Bu çalışma, yeni nesil batarya sistemlerinde malzeme keşfi ve elektrokimyasal performans optimizasyonunda yapay zeka entegrasyonunun gücünü ve potansiyelini ortaya koymaktadır.

In the development of energy storage technologies, the development of battery systems with high capacity and long cycle life is of critical importance. In this study, the synthesis of the targeted electrode material was successfully achieved using the hydrothermal method. The structural, morphological, and chemical properties of the synthesized material were characterized by XRD, SEM, EDX, and FT-IR analyses; its pore structure and specific surface area were characterized by BET analysis. The electrochemical performance of the material was investigated in detail using cyclic voltammetry (CV), galvanostatic charge-discharge (GCD), and electrochemical impedance spectroscopy (EIS) measurements.

Using a large dataset obtained from the experimental processes, a hybrid machine learning (ML) model was used to predict the long-term performance of the battery. Critical electrochemical parameters such as Capacitance (F) and Coulombic efficiency (%) exhibited by the synthesized electrode material throughout its cycle life were modeled with high accuracy using the data-driven time series method. The hybrid machine learning model successfully learned past state dependencies through lagged variables in a large dataset of 10,000 cycles. The model, as evidenced by statistical metrics and graphical analysis, managed to predict linear trends, sudden fluctuations, and dynamic changes in electrochemical parameters with high stability and adaptability. The developed hybrid ML approach offers a dynamic, low-cost, and fast alternative to traditional and time-consuming long-term cycle testing. This study demonstrates the power and potential of artificial intelligence integration in material discovery and electrochemical performance optimization in next-generation battery systems.