LLZO tabanlı katı elektrolitlerde iyonik iletkenliğin makine öğrenmesi ve açıklanabilir yapay zekâ yaklaşımları ile tahmini ve analizi
Prediction and analysis of ionic conductivity in LLZO-based solid electrolytes using machine learning and explainable artificial intelligence approaches
- Tez No: 1023882
- Danışmanlar: PROF. DR. GÜLTEKİN ÇELİK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Fizik ve Fizik Mühendisliği, Computer Engineering and Computer Science and Control, Physics and Physics Engineering
- Anahtar Kelimeler: Batarya, Makine öğrenmesi yöntemleri, Yapay zeka, Battery, Machine learning methods, Artificial intelligence
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Fizik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, garnet tipi katı elektrolit Li₇La₃Zr₂O₁₂ (LLZO) sistemlerinde iyonik iletkenliğin belirleyici fiziksel mekanizmaları, veri bilimi, makine öğrenmesi ve açıklanabilir yapay zeka (XAI) yaklaşımları kullanılarak kapsamlı biçimde incelenmiştir. LLZO tabanlı katı elektrolitlerde iyonik iletkenlik; stokiyometri, katkı türü ve katkı oranları gibi çok sayıda parametrenin eşzamanlı ve doğrusal olmayan etkileşimleri tarafından belirlenmektedir. Bu karmaşık yapı–özellik ilişkilerinin klasik tek değişkenli analizlerle yeterince açıklanamaması, veri temelli ve öğrenen modellerin kullanımını zorunlu kılmaktadır. Literatürden derlenen deneysel iletkenlik verileri ile oluşturulan veri kümesi bileşen oranları ve katkı özellikleri kullanılarak modellenmiştir. Veri uzayının genişletilmesi amacıyla istatistiksel temelli sentetik veri üretim yöntemleri uygulanmış; ardından doğrusal ve doğrusal olmayan makine öğrenmesi algoritmaları kullanılarak iyonik iletkenlik tahmin modelleri geliştirilmiştir. Modellerin performansı çeşitli hata metrikleri ile değerlendirilmiş ve en yüksek doğruluğu sağlayan yaklaşımlar belirlenmiştir. Makine öğrenmesi modellerinin karar mekanizmalarını yorumlayabilmek amacıyla, SHAP (SHapley Additive Explanations) tabanlı açıklanabilir yapay zeka analizleri gerçekleştirilmiştir. Ayrıca, parametreler arası etkileşimlerin doğrusal olmayan karakteri net biçimde açığa çıkarılmış ve bu etkileşimler iyon taşınım mekanizmaları ile kuramsal olarak ilişkilendirilmiştir. Elde edilen bulgular, lityum fazlalığı, katkı elementinin iyonik yarıçapı ve valans durumu gibi parametrelerin iyonik iletkenlik üzerinde belirleyici rol oynadığını; bazı katkıların ise belirli eşik değerlerin ötesinde iletkenliği sınırlayıcı etki sergilediğini ortaya koymaktadır. Ayrıca, parametreler arası etkileşimlerin doğrusal olmayan karakteri açık biçimde ortaya konmuş ve bu etkileşimler iyon taşınım mekanizmaları ile ilişkilendirilmiştir. Bu tez çalışmasında geliştirilen makine öğrenmesi modelleri, yalnızca mevcut deneysel verilerin açıklanmasını değil, aynı zamanda yüksek iyonik iletkenlik potansiyeline sahip yeni kompozisyonların ve optimum katkılama reçetelerinin öngörülmesini de mümkün kılmıştır. Özellikle yüksek iletkenlik sergileyen parametre kombinasyonlarının belirlenmesi, deneysel çalışmaların daha hedef odaklı yürütülmesine katkı sağlayarak zaman ve maliyet açısından önemli avantajlar sunmaktadır.
Özet (Çeviri)
In this doctoral study, the physical mechanisms governing ionic conductivity in garnet-type solid electrolytes Li₇La₃Zr₂O₁₂ (LLZO) were comprehensively investigated using data science, machine learning, and explainable artificial intelligence (XAI) approaches. Ionic conductivity in LLZO-based solid electrolytes is determined by the simultaneous and nonlinear interactions of multiple parameters, including stoichiometry, dopant type, and dopant concentration. The inability of conventional single-variable analyses to adequately explain these complex structure–property relationships necessitates the use of data-driven and learning-based models. A dataset constructed from experimentally reported ionic conductivity values collected from the literature was modeled using compositional ratios and dopant-related features. To expand the data space, statistically based synthetic data generation techniques were applied, followed by the development of ionic conductivity prediction models using both linear and nonlinear machine learning algorithms. Model performance was evaluated using various error metrics, and the approaches providing the highest predictive accuracy were identified. To interpret the decision-making mechanisms of the machine learning models, SHAP (SHapley Additive Explanations)-based explainable artificial intelligence analyses were performed. The results revealed that parameters such as lithium excess, the ionic radius of the dopant element, and its valence state play dominant roles in determining ionic conductivity, while certain dopants exhibit conductivity-limiting effects beyond specific threshold values. Furthermore, the nonlinear nature of inter-parameter interactions was clearly demonstrated, and these interactions were theoretically correlated with ion transport mechanisms. The machine learning models developed in this study not only enabled the interpretation of existing experimental data but also allowed the prediction of new compositions and optimum doping recipes with high ionic conductivity potential. In particular, identifying parameter combinations associated with high ionic conductivity provides significant advantages in terms of time and cost by enabling experimental studies to be conducted in a more targeted and efficient manner.
Benzer Tezler
- Development and characterization of all solid-state li-ion batteries
Katı-hal lityum-iyon pillerin üretimi ve karakterizasyonu
KAMİL BURAK DERMENCİ
Doktora
İngilizce
2018
EnerjiAnadolu ÜniversitesiMalzeme Bilimi ve Mühendisliği Ana Bilim Dalı
PROF. DR. SERVET TURAN
- Effect of pre-sintering processes and additions on densification in LLZO solid electrolytes
LLZO katı elektrolitlerde sinterleme öncesi işlemlerin ve ilavelerin yoğunlaşmaya etkisi
FURKAN GÜLBEYAZ
Yüksek Lisans
İngilizce
2021
EnerjiEskişehir Teknik Üniversitesiİleri Teknolojiler Ana Bilim Dalı
PROF. DR. SERVET TURAN
- Garnet tipi LLZO katı elektroliti: Sentezi, karakterizasyonu ve Li-iyon batarya uygulamaları
Garnet type LLZO solid electrolyte: Synthesis, characterization and Li-ion battery applications
TUĞÇE GÜL İDİNAK
Yüksek Lisans
Türkçe
2024
Metalurji MühendisliğiYıldız Teknik ÜniversitesiMetalurji ve Malzeme Mühendisliği Ana Bilim Dalı
PROF. DR. HASİBE AYGÜL YEPREM
DOÇ. DR. NESLİHAN YUCA DOĞDU
- Cold sintering of oxide-based llto and llzo solid-stateelectrolytes and their integration into lithium metalbatteries
Oksit esaslı llto ve llzo katı hal elektrolitlerinin soğuk sinterlenmesi ve lityum metal pillere entegrasyonu
ARAS KARAPEKMEZ
Doktora
İngilizce
2025
Makine MühendisliğiBoğaziçi ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. NURİ ERSOY
DR. ÖĞR. ÜYESİ GÜLİN VARDAR
- Lityum piller için garnet benzeri Li7-3x(Ga(1-y)In(y))xLa3Zr(2-z)Ti(z)O12 katı elektrolit yapıların elektrik, elektronik ve elektrokimyasal özelliklerinin incelenmesi
Investigation of electrical, electronic and electrochemical properties of garnet-like lLi7-3x(Ga(1-y)In(y))xLa3Zr(2-z)Ti(z)O12 solid electrolyte structures for lithium batteries
SEVDA AKTAŞ
Doktora
Türkçe
2019
Fizik ve Fizik MühendisliğiSelçuk ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. ÜLFET ATAV
DOÇ. DR. OSMAN MURAT ÖZKENDİR