文献挖掘和高通量方法优化碳纳米管垂直阵列生长

具有良好力学性能和高导热性的碳纳米管垂直阵列(VACNT)可用作热管理中的有效热界面材料.为了利用沿碳纳米管轴向的高导热性,需要优化碳纳米管垂直阵列的结晶度和高度.然而,碳纳米管垂直阵列的生长参数空间(如退火时间、催化剂种类、生长温度、载气、碳源等)复杂,结构特征之间相互影响,同时提高碳纳米管垂直阵列的高度和质量仍是一个巨大的挑战.与此同时,缺乏对参数调控方向的指导进一步增加了实验结果的不确定性,并限制了产物结构优化的效率.本研究开发了一种文献挖掘-机器学习-高通量制备策略,有效优化了碳纳米管垂直阵列的高度和质量.为了揭示碳纳米管垂直阵列结构与关键生长参数之间的潜在关系,采用随机森林回归算法对一组已发布的样本数据(864个样本)进行建模,并利用机器学习模型解释包SHAP(SHapley Additive exPlanations)分析获得影响垂直阵列高度和结晶度的主要生长参数.经分析确定,高通量实验旨在调节 4个关键参数:生长温度、生长时间、催化剂组分和碳源浓度.结果发现,经筛选的Fe/Gd/Al2O3 催化剂能够生长出具有毫米级高度和更高结晶度的碳纳米管垂直阵列.结果表明,文献挖掘、高通量实验和基于数据的机器学习可以有效地处理碳纳米管生长等多参数过程,提高对结构的控制.