用于超级电容器的聚苯胺负载MXene基复合材料的电化学性能测试方法

用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法
技术领域
1.本技术涉及电化学性能测试领域，且更为具体地，涉及一种用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法。


背景技术：

2.超级电容器是一种储存和释放大量电荷的高性能储能装置，具有能量密度高、功率密度大、循环性能好等特点，被广泛应用于新能源、智能物联网和轨道交通等领域。聚苯胺负载mxene基复合材料，则是在传统聚合物和无机纳米材料合成技术的基础上发展起来的新型复合材料，该材料具有优异的电化学性能、导电性和稳定性，以及高效的氧化还原反应活性和能量存储性能。在使用聚苯胺负载mxene基复合材料作为超级电容器材料时，具有比表面积大、活性位点多、电子传输快以及表面官能团参与氧化还原反应转移电荷的优势，因此聚苯胺负载mxene基复合材料极具潜力作为超级电容器的电极材料。
3.在将聚苯胺负载mxene基复合材料实际应用在超级电容器中时，对于聚苯胺负载mxene基复合材料的电化学性能进行检测，评估材料的性能表现是尤为重要的。然而，传统的超级电容器电化学性能测试方法通常采用循环伏安法、恒流充放电法等进行粗略估计，这些方法还需要人工进行大量实验操作，并处理大量的数据量，不仅费时费力，且易受到噪声干扰或产生人工误差，使得测试精度相对较低。
4.因此，期望一种优化的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方案。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法。其可以对聚苯胺负载mxene基复合材料的电化学性能进行智能化地评估检测，提高检测的效率和精准度，优化超级电容器的性能。
6.根据本技术的一个方面，提供了一种用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法，其包括：获取被检测聚苯胺负载mxene基复合材料的cv曲线；以及基于所述cv曲线，确定被检测聚苯胺负载mxene基复合材料的电化学性能是否符合预定要求。
7.与现有技术相比，本技术提供的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法，其首先获取被检测聚苯胺负载mxene基复合材料的cv曲线，然后，基于所述cv曲线，确定被检测聚苯胺负载mxene基复合材料的电化学性能是否符合预定要求。这样，可以对聚苯胺负载mxene基复合材料的电化学性能进行智能化地评估检测，提高检测的效率和精准度，优化超级电容器的性能。
附图说明
8.为了更清楚地说明本技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本技术的主旨。
9.图1为根据本技术实施例的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法的流程图。
10.图2为根据本技术实施例的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法的子步骤s120的流程图。
11.图3为根据本技术实施例的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法的子步骤s120的架构示意图。
12.图4为根据本技术实施例的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法的子步骤s121的流程图。
13.图5为根据本技术实施例的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法的子步骤s1213的流程图。
14.图6为根据本技术实施例的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法的子步骤s122的流程图。
15.图7为根据本技术实施例的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法的子步骤s12133的流程图。
16.图8为根据本技术实施例的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试系统的框图。
17.图9为根据本技术实施例的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法的应用场景图。
18.图10为比表面积示意图。
19.图11为循环伏安曲线示意图。
20.图12为多次循环后的恒流充放电比容示意图。
21.图13和图14为恒流充放电曲线示意图。
实施方式
22.下面将结合附图对本技术实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本技术的部分实施例，而不是全部的实施例。基于本技术实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本技术保护的范围。
23.如本技术和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
24.虽然本技术对根据本技术的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
25.本技术中使用了流程图用来说明根据本技术的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
26.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
27.如上所述，传统的超级电容器电化学性能测试方法通常采用循环伏安法、恒流充放电法等进行粗略估计，这些方法还需要人工进行大量实验操作，并处理大量的数据量，不仅费时费力，且易受到噪声干扰或产生人工误差，使得测试精度相对较低。因此，期望一种优化的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方案。
28.相应地，考虑到在实际对用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能进行测试的过程中，期望基于循环伏安法得到被检测聚苯胺负载mxene基复合材料的cv曲线，并对cv曲线进行基于卷积神经网络模型的特征提取和特征分析以得到用于表示被聚苯胺负载mxene基复合材料的电化学性能是否满足预定要求的分类结果。通过这样的方式，能够智能化地对被检测聚苯胺负载mxene基复合材料的cv曲线进行采集和分析，以此来检测出该聚苯胺负载mxene基复合材料的电化学性能，避免了传统人工处理方式造成的低效率和低精准度的问题。但是，由于所述cv曲线中存在有大量的无用干扰信息，而关于被检测聚苯胺负载mxene基复合材料的电化学性能特征信息在实际检测的过程中为小尺度的隐性特征，并不能够通过传统的特征提取方式进行充分地捕捉。因此，在此过程中，难点在于如何进行所述cv曲线中关于所述被检测聚苯胺负载mxene基复合材料的电化学性能隐含特征分布信息的充分刻画，以此来对聚苯胺负载mxene基复合材料的电化学性能进行评估检测，提高检测的效率和精准度，从而优化超级电容器的性能。
29.近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述cv曲线中关于所述被检测聚苯胺负载mxene基复合材料的电化学性能隐含特征分布信息提供了新的解决思路和方案。
30.图1为根据本技术实施例的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法的流程图。如图1所示，根据本技术实施例的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法，包括步骤：s110，获取被检测聚苯胺负载mxene基复合材料的cv曲线；以及，s120，基于所述cv曲线，确定被检测聚苯胺负载mxene基复合材料的电化学性能是否符合预定要求。
31.图2为根据本技术实施例的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法的子步骤s120的流程图。图3为根据本技术实施例的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法的子步骤s120的架构示意图。如图2和图3所示，根据本技术实施例的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法，基于所述cv曲线，确定被检测聚苯胺负载mxene基复合材料的电化学性能是否符合预定要求，包括步骤：s121，从所述cv曲线提取用于表示cv曲线图像特征的分类特征向量；以及，s122，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被检测聚苯胺负载mxene基复合材料的电化学性能是否符合预定要求。
32.更具体地，如图4所示，在步骤s121中，从所述cv曲线提取用于表示cv曲线图像特征的分类特征向量，包括：s1211，对所述被检测聚苯胺负载mxene基复合材料的cv曲线进行沿着曲线的图像块划分以得到cv子曲线图像块的序列；s1212，从所述cv子曲线图像块的序列提取多个cv子曲线特征向量；以及，s1213，对所述多个cv子曲线特征向量进行处理以得到所述分类特征向量。考虑到由于所述被检测聚苯胺负载mxene基复合材料的cv曲线中关于所述被检测聚苯胺负载mxene基复合材料的性能特征信息为小尺度的隐含细微特征信息，例如所述cv曲线的面积表示的比电容量特征信息。因此，为了能够提高所述cv曲线中关于所述被检测聚苯胺负载mxene基复合材料的电化学性能特征的表达能力，以此来提高对其电化学性能检测的精准度，在本技术的技术方案中，对所述被检测聚苯胺负载mxene基复合材料的cv曲线进行沿着曲线的图像块划分以得到cv子曲线图像块的序列。应可以理解，所述cv子曲线图像块的序列中的各个cv子曲线图像块的尺度相较于原图像被缩减，因此，所述cv曲线中关于所述被检测聚苯胺负载mxene基复合材料的电化学性能隐含特征在所述各个cv子曲线图像块中不再是小尺寸对象，以便于后续进行电化学性能的检测评估。
33.应可以理解，对于聚苯胺负载mxene基复合材料来说，其电化学性能表现为比电容值、比容量值和循环稳定性等。具体来说，比电容是指单位面积或体积的材料所存储的电荷量，在cv曲线上表现为曲线下的面积，当该面积较大时，表示材料的存储电荷能力强，具有较高的比电容值，从而有更好的储能性能。比容量是指单位重量的材料所存储的电荷量，可以从单次充放电曲线中获取最高和最低电位的差值计算得到，比容量值越高，材料储存电能的密度也就越大，从而有更好的能量密度。循环稳定性是指充放电后材料的电化学性能是否会受到损伤，并表现为cv曲线的重叠程度，如果cv曲线较为重叠，说明材料的电化学稳定性较好，可以承受多次充放电循环。
34.基于此，针对于所述被检测聚苯胺负载mxene基复合材料的各个电化学性能特征在cv曲线中的表现形式，考虑到在实际进行聚苯胺负载mxene基复合材料的电化学性能检测时，需要对于所述cv曲线上的各个图像块中关于cv曲线面积、点位最高和最低电位的差值以及充电区域进行有效识别检测，因而在特征提取时应更加关注于所述各个cv子曲线图像块中关于cv曲线的浅层特征。因此，在本技术的技术方案中，将所述cv子曲线图像块的序列中的各个cv子曲线图像块通过基于卷积神经网络模型的浅层特征提取器以得到多个cv子曲线特征向量。也就是，在本技术的技术方案中，使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉所述各个cv子曲线图像块的图像浅层特征，包括边缘、轮廓和形状等，即关于所述聚苯胺负载mxene基复合材料的各个电化学性能特征信息。相应地，在一个具体示例中，从所述cv子曲线图像块的序列提取多个cv子曲线特征向量，包括：将所述cv子曲线图像块的序列中的各个cv子曲线图像块通过基于卷积神经网络模型的浅层特征提取器以得到所述多个cv子曲线特征向量。应可以理解，卷积神经网络(convolutional neural network，cnn)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
35.进而，由于所述各个cv子曲线图像块中关于聚苯胺负载mxene基复合材料的电化学性能特征之间具有着关联关系，也就是说，所述各个cv子曲线图像块中的浅层特征信息
之间的关联性特征对于cv曲线面积、点位最高和最低电位的差值以及充电区域的识别检测具有着重要的作用。因此，进一步将所述多个cv子曲线特征向量通过基于转换器模块的上下文编码器中进行编码，以提取出所述各个cv子曲线图像块中关于材料的电化学性能特征基于全局的上下文语义关联特征信息，从而得到cv曲线全局语义理解特征向量，以便于更好地捕捉到所述cv曲线整体的浅层关联特征信息，即全局的聚苯胺负载mxene基复合材料的电化学性能特征信息。应可以理解，基于转换器模块的上下文编码器使用了转换器模块，即transformer，这是一种自注意力机制，能够有效地捕捉文本中的上下文信息，该编码器可以将输入的文本序列转换为一组向量，每个向量代表输入序列中的一个单词或子词。
36.进一步地，考虑到由于所述基于转换器模块的上下文编码器虽然能够提取出所述各个cv子曲线图像块中关于聚苯胺负载mxene基复合材料的电化学性能的全局关联性特征信息，但是其在局部特征关联上的关注度和特征捕捉能力较弱，并不能够很好地刻画出聚苯胺负载mxene基复合材料的电化学性能的局部深层隐含语义关联特征，进而降低了对于性能的检测精度。因此，在本技术的技术方案中，进一步将所述多个cv子曲线特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联特征提取器以得到cv曲线局部强化特征向量。特别地，这里，所述第一卷积层和所述第二卷积层分别使用不同尺度的一维卷积核，以此来刻画出所述各个cv子曲线图像块中关于聚苯胺负载mxene基复合材料的电化学性能的局部深层语义关联特征信息。
37.然后，融合所述cv曲线全局语义理解特征向量和所述cv曲线局部强化特征向量以得到分类特征向量，以此来表示所述各个cv子曲线图像块中关于聚苯胺负载mxene基复合材料的电化学性能的全局语义关联特征信息和局部深层语义关联特征信息的融合特征，即有关于所述cv曲线中所表现的聚苯胺负载mxene基复合材料电化学性能的全局和局部的融合关联特征信息，有利于后续更为准确地进行聚苯胺负载mxene基复合材料的电化学性能检测。
38.相应地，在一个具体示例中，如图5所示，对所述多个cv子曲线特征向量进行处理以得到所述分类特征向量，包括：s12131，将所述多个cv子曲线特征向量通过基于转换器模块的上下文编码器以得到cv曲线全局语义理解特征向量；s12132，将所述多个cv子曲线特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联特征提取器以得到cv曲线局部强化特征向量；以及，s12133，融合所述cv曲线全局语义理解特征向量和所述cv曲线局部强化特征向量以得到所述分类特征向量。
39.更具体地，如图6所示，在步骤s122中，将所述分类特征向量通过分类器以得到分类结果，包括：s1221，对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及，s1222，将所述优化分类特征向量通过所述分类器以得到分类结果，所述分类结果用于表示被检测聚苯胺负载mxene基复合材料的电化学性能是否符合预定要求。也就是，在本技术的技术方案中，所述分类器的标签包括被检测聚苯胺负载mxene基复合材料的电化学性能符合预定要求(第一标签)，以及，被检测聚苯胺负载mxene基复合材料的电化学性能不符合预定要求(第二标签)，其中，所述分类器通过软最大值函数来确定所述优化分类特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“被检测聚苯胺负载mxene基复合材料的电化学性能是否符合预定要求”这种概念，其只是有两种分类标签且输出特征
在这两个分类标签下的概率，即p1和p2之和为一。因此，被检测聚苯胺负载mxene基复合材料的电化学性能是否符合预定要求的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“被检测聚苯胺负载mxene基复合材料的电化学性能是否符合预定要求”的语言文本意义。应可以理解，在本技术的技术方案中，所述分类器的分类标签为被检测聚苯胺负载mxene基复合材料的电化学性能是否符合预定要求的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来对聚苯胺负载mxene基复合材料的电化学性能进行评估，从而优化超级电容器的性能。
40.应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、svm等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或svm，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有softmax分类函数。
41.值得一提的是，特征分布优化是指对分类特征向量进行优化，使其更有利于分类器的分类任务。可以采用下列特征分布优化方式：1. 特征选择：选择最相关的特征，去除无关或冗余的特征，减少特征维度，提高分类器的效率和准确性；2. 特征加权：对每个特征进行加权，增加对分类结果的贡献，提高分类器的准确性；3. 特征变换：对特征进行变换，将其映射到更高维或更低维的空间中，提高分类器的效果；4. 特征归一化：对特征进行归一化处理，使其具有相同的尺度和范围，避免不同特征之间的差异对分类结果的影响；5. 特征降维：对高维特征进行降维处理，减少特征维度，提高分类器的效率和准确性。
42.进一步地，在一个具体示例中，如图7所示，融合所述cv曲线全局语义理解特征向量和所述cv曲线局部强化特征向量以得到所述分类特征向量，包括：s121331，将所述cv曲线全局语义理解特征向量和所述cv曲线局部强化特征向量进行逐位置关联以得到关联特征矩阵；s121332，对所述关联特征矩阵进行空间多源融合验前信息分布优化以得到优化关联特征矩阵；以及，s121333，将所述优化关联特征矩阵与所述分类特征向量相乘以得到所述优化分类特征向量。
43.特别地，在本技术的技术方案中，在通过例如加权点加的方式融合所述cv曲线全局语义理解特征向量和所述cv曲线局部强化特征向量得到所述分类特征向量时，期望通过提升所述分类特征向量对所述cv曲线全局语义理解特征向量和所述cv曲线局部强化特征向量的关联表达效果来改进所述分类特征向量通过分类器得到的分类结果的准确性。因此，本技术的申请人将所述cv曲线全局语义理解特征向量和所述cv曲线局部强化特征向量进行逐位置关联以得到关联特征矩阵，并将所述关联特征矩阵与所述分类特征向量相乘以将所述分类特征向量映射到关联特征空间内，以提升所述分类特征向量对所述cv曲线全局语义理解特征向量和所述cv曲线局部强化特征向量的关联表达效果。
44.进一步地，考虑到所述cv曲线全局语义理解特征向量和所述cv曲线局部强化特征向量在进行逐位置关联时，是所述关联特征矩阵的每个行特征向量可以看作为所述cv曲线全局语义理解特征向量的每个特征值与所述cv曲线局部强化特征向量整体的关联特征向量，因此所述关联特征矩阵相当于各个行特征向量对应的局部特征集合的组合特征集合。并且，由于各个行特征向量的特征分布之间具有由所述cv曲线全局语义理解特征向量所表
达的所述cv子曲线图像块的图像语义上下文关联特征分布，因此所述各个行特征向量除了具有相互关联的邻域分布关系外，其间还具有对应于所述cv曲线的整体图像语义分块分布信息的多源信息关联关系。由此，为了提升所述关联特征矩阵对于所述cv曲线全局语义理解特征向量和所述cv曲线局部强化特征向量的关联融合效果，对所述关联特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化，以获得优化后的特征值。
45.相应地，在一个具体示例中，对所述关联特征矩阵进行空间多源融合验前信息分布优化以得到优化关联特征矩阵，包括：以如下优化公式对所述关联特征矩阵进行空间多源融合验前信息分布优化以得到所述优化关联特征矩阵；其中，所述优化公式为：
46.其中，是所述关联特征矩阵的第位置的特征值，m和n为邻域设置超参数，且当k或者j小于等于零或者大于所述关联特征矩阵的宽度或者高度时，特征值设置为零或者一，log表示以2为底的对数函数，是所述优化关联特征矩阵的第位置的特征值。
47.这里，所述空间多源融合验前信息分布优化可以基于特征空间分布融合的稳健性类极大似然估计，来将所述关联特征矩阵作为由多个相互关联的邻域部分对应的特征局部集合组成的特征全局集合，实现特征局部集合各自的多源验前信息到特征全局集合的有效折合，并通过多源情况下的验前信息分布构建，来获得能够用于评估特征矩阵的内部空间关联与空间信息融合变动关系之间的标准期望的优化范式，以提升所述关联特征矩阵基于多源信息空间分布关联融合的信息表达效果，从而提升了所述关联特征矩阵对于所述cv曲线全局语义理解特征向量和所述cv曲线局部强化特征向量的关联融合效果。这样，能够对于聚苯胺负载mxene基复合材料的电化学性能进行智能化地评估检测，以提高检测的效率和精准度，优化超级电容器的性能。
48.综上，基于本技术实施例的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法被阐明，其可以对聚苯胺负载mxene基复合材料的电化学性能进行智能化地评估检测，提高检测的效率和精准度，优化超级电容器的性能。
49.图8为根据本技术实施例的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试系统100的框图。如图8所示，根据本技术实施例的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试系统100，包括：cv曲线获取模块110，用于获取被检测聚苯胺负载mxene基复合材料的cv曲线；以及，性能判断模块120，用于基于所述cv曲线，确定被检测聚苯胺负载mxene基复合材料的电化学性能是否符合预定要求。
50.这里，本领域技术人员可以理解，上述用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试系统100中的各个模块的具体功能和操作已经在上面参考图1到图7的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法的描述中得到了详细介绍，并因此，将省略其重复描述。
51.如上所述，根据本技术实施例的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试系统100可以实现在各种无线终端中，例如具有用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试算法的服务器等。在一个示例中，根据本技术实施例的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试系统100同样可以是该无线终端的众多硬件模块之一。
52.替换地，在另一示例中，该用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试系统100与该无线终端也可以是分立的设备，并且该用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
53.图9为根据本技术实施例的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法的应用场景图。如图9所示，在该应用场景中，首先，获取被检测聚苯胺负载mxene基复合材料的cv曲线（例如，图9中所示意的d），然后，将所述cv曲线输入至部署有用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试算法的服务器中（例如，图9中所示意的s），其中，所述服务器能够使用所述用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试算法对所述cv曲线进行处理以得到用于表示被检测聚苯胺负载mxene基复合材料的电化学性能是否符合预定要求的分类结果。
54.进一步，值得一提的是，超级电容器能量密度高、功率密度大、循环性能好，常见的超级电容器包括：双电层电容器、法拉第赝电容器。其中，关于双电层电容器的部分，当电极材料和电解质溶液接触时，电极表面上的导电电子与电解质溶液中的导电离子将会在电极和电解液形成的固-液界面上产生双电层；关于法拉第赝电容器的部分，电极活性物质中电荷向电解液转移扩散，带电粒子在极化电极的表面产生欠电位沉积或者发生氧化还原反应。超级电容器使用活性炭、碳纳米管、石墨烯等碳材料电极具有成本廉价、性质稳定、比表面积大的优势。超级电容器使用过渡金属氧化物电极则具有能量密度高，循环次数多的优势，其中当使用氧化钌时，导电性稳定性高、比容大，但成本高合成难；当使用二氧化锰时，电化学性能优异、成本低廉；当使用氧化镍时，其仅能在碱性环境下工作。其中，超级电容器的电容性能表征可以通过循环伏安法、恒流充放电法等方法进行检测。
55.本技术提供的一种mxene超级电容器采用的是法拉第赝电容。其中，在一个示例中，以k
+
电解液，mxene传递电子时的氧化还原反应如下式所示：ti3c2o
x
(oh)
yfz + δe
— + δk
+ = k
δ
ti3c2o
x
(oh)
yfz
mxene作为超级电容器材料的优势包括：比表面积大，活性位点多，电子传输快，表面官能团参与氧化还原反应转移电荷。含氧官能团参与氧化还原反应能够提高赝电容。
56.现有的mxene超级电容器仍需要解决的问题是：能量密度低，氢键导致的堆积团聚，结构稳定性差。相应地，改性主要方向：1.表面官能团种类及含量，=o官能团稳定性及能量密度优于-oh，表面改性可以增加=o官能团含量，-f；2.改善mxene形貌，提高比表面积，大尺寸单片层形貌的mxene具有更高的电导率，提高比表面积有效增加活性位点，采用表面生
长导电聚合物可以提高mxene比表面积，增加活性位点和赝电容；3.与其他材料复合使用，改善结构强度，增加比容量和电位工作范围，例如与过渡金属氧化物复合作为电极材料。
57.在本技术的一个示例中，可以通过聚苯胺在mxene表面的生长，以得到聚苯胺负载mxene基复合材料。其中，不同的酸性介质能使聚苯胺以不同的形貌在mxene表面生长，如图10所示，生长聚苯胺后mxene的比表面积和比孔径明显提高，活性位点增加。进一步地，参照图11-图14所示，聚苯胺掺杂后循环伏安曲线面积提高表明比电容量增加，恒流充放电曲线表明充放电稳定，循环多次后聚苯胺掺杂的mxene依旧保持较高的比电容量。
58.值得一提的是，聚苯胺(pani)是一种导电聚合物，其氧化单元和还原单元交替排列。聚苯胺常用化学氧化法进行制备，具体地，在酸性介质下采用引发剂（氧化剂如过硫酸铵，重铬酸钾，过氧化氢等）使苯胺单体发生氧化聚合。其中，使用挥发性强酸(如盐酸)掺杂后导电性好，但易挥发导致脱掺杂；使用难挥发性强酸(如硫酸、高氯酸)等易残留在聚苯胺表面；使用部分大分子有机酸能改变聚苯胺性质(热稳定性、溶解性)等。聚苯胺的质子酸掺杂的本质是聚苯胺分子内部的氧化还原反应和电子传输，质子酸掺杂后电导率提高十几个数量级，仅当主链同时存在还原态和氧化态的单元的时候能发生质子酸掺杂，质子酸掺杂过程可逆，碱性环境中失去导电性，恢复酸性后导电性恢复，强酸性质子酸的掺杂使导电性更强。
59.在一个示例中，本技术对制备单片层且含较多表面=o官能团mxene的工艺条件及其对mxene电化学性能的影响，对聚苯胺pani在mxene表面生长及质子酸掺杂条件对pani@mxene电化学性能的影响，以及，不同含量mno2复合pani@mxene对其电化学性能的影响进行探究。相应地，刻蚀制备mxene并在不同工艺条件对其进行表面官能化处理，制备得到含=o官能团较多的单片层mxene，并对其结构进行表征，对其电化学性能进行测试；在不同酸性介质引发剂条件下在mxene表面生长聚苯胺制备pani@mxene并实现质子酸掺杂，并对其进行结构表征，对其电化学性能进行测试；以及，采用不同含量的mno2与pani@mxene进行复合，并对其进行结构表征，对其电化学性能进行测试。
60.此外，本领域技术人员可以理解，本技术的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本技术的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本技术的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
61.除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
62.上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特
定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

技术特征：
1.一种用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法，其特征在于，包括：获取被检测聚苯胺负载mxene基复合材料的cv曲线；以及基于所述cv曲线，确定被检测聚苯胺负载mxene基复合材料的电化学性能是否符合预定要求。2.根据权利要求1所述的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法，其特征在于，基于所述cv曲线，确定被检测聚苯胺负载mxene基复合材料的电化学性能是否符合预定要求，包括：从所述cv曲线提取用于表示cv曲线图像特征的分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被检测聚苯胺负载mxene基复合材料的电化学性能是否符合预定要求。3.根据权利要求2所述用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法，其特征在于，从所述cv曲线提取用于表示cv曲线图像特征的分类特征向量，包括：对所述被检测聚苯胺负载mxene基复合材料的cv曲线进行沿着曲线的图像块划分以得到cv子曲线图像块的序列；从所述cv子曲线图像块的序列提取多个cv子曲线特征向量；以及对所述多个cv子曲线特征向量进行处理以得到所述分类特征向量。4.根据权利要求3所述的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法，其特征在于，从所述cv子曲线图像块的序列提取多个cv子曲线特征向量，包括：将所述cv子曲线图像块的序列中的各个cv子曲线图像块通过基于卷积神经网络模型的浅层特征提取器以得到所述多个cv子曲线特征向量。5.根据权利要求4所述的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法，其特征在于，对所述多个cv子曲线特征向量进行处理以得到所述分类特征向量，包括：将所述多个cv子曲线特征向量通过基于转换器模块的上下文编码器以得到cv曲线全局语义理解特征向量；将所述多个cv子曲线特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联特征提取器以得到cv曲线局部强化特征向量；以及融合所述cv曲线全局语义理解特征向量和所述cv曲线局部强化特征向量以得到所述分类特征向量。6.根据权利要求5所述的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法，其特征在于，将所述分类特征向量通过分类器以得到分类结果，包括：对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及将所述优化分类特征向量通过所述分类器以得到分类结果，所述分类结果用于表示被检测聚苯胺负载mxene基复合材料的电化学性能是否符合预定要求。7.根据权利要求6所述的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法，其特征在于，融合所述cv曲线全局语义理解特征向量和所述cv曲线局部强化
特征向量以得到所述分类特征向量，包括：将所述cv曲线全局语义理解特征向量和所述cv曲线局部强化特征向量进行逐位置关联以得到关联特征矩阵；对所述关联特征矩阵进行空间多源融合验前信息分布优化以得到优化关联特征矩阵；以及将所述优化关联特征矩阵与所述分类特征向量相乘以得到所述优化分类特征向量。8.根据权利要求7所述的用于超级电容器的聚苯胺负载mxene基复合材料的电化学性能测试方法，其特征在于，对所述关联特征矩阵进行空间多源融合验前信息分布优化以得到优化关联特征矩阵，包括：以如下优化公式对所述关联特征矩阵进行空间多源融合验前信息分布优化以得到所述优化关联特征矩阵；其中，所述优化公式为：其中，是所述关联特征矩阵的第位置的特征值，m和n为邻域设置超参数，且当k或者j小于等于零或者大于所述关联特征矩阵的宽度或者高度时，特征值设置为零或者一，log表示以2为底的对数函数，是所述优化关联特征矩阵的第位置的特征值。

技术总结
公开了一种用于超级电容器的聚苯胺负载MXene基复合材料的电化学性能测试方法。其首先获取被检测聚苯胺负载MXene基复合材料的CV曲线，然后，基于所述CV曲线，确定被检测聚苯胺负载MXene基复合材料的电化学性能是否符合预定要求。这样，可以对聚苯胺负载MXene基复合材料的电化学性能进行智能化地评估检测，提高检测的效率和精准度，优化超级电容器的性能。优化超级电容器的性能。优化超级电容器的性能。


技术研发人员：杨开 常磊 霍亮 鞠天航 张可依
受保护的技术使用者：吉林大学
技术研发日：2023.06.20
技术公布日：2023/9/12