机器学习彻底加快钠离子电池的开发

来自 实验室仪器网

在《材料化学A杂志》最近的一项研究中，研究团队采用机器学习来增强对有前景的组合物的搜索。所提出的基于机器学习的方法来探索和优化过渡金属的比例，提供了一种有效的方法来在众多潜在候选物中识别有希望的成分，从而有可能加快钠离子电池的开发。

储能对于许多快速发展的可持续技术至关重要，例如电动汽车和可再生能源。尽管锂离子电池(LIB)目前占据市场主导地位，但锂是一种有限且昂贵的资源，对经济和供应稳定性提出了挑战。因此，世界各地的研究人员正在探索由更丰富的材料制成的新型电池。

钠离子(Na-ion)电池使用钠离子作为能量载体，由于钠储量丰富、安全性更高以及成本更低，是LIB的有前途的替代品。尤其是含钠过渡金属层状氧化物(NaMeO₂)具有出色的能量密度和容量，使其成为钠离子电池正极的有效材料。

然而，由于可能的组合数量众多，确定包含各种过渡金属的多元素层状氧化物的最佳组成既具有挑战性又耗时。即使对过渡金属的比例和选择进行微小调整，也会导致晶体形态和电池性能发生重大变化。

研究团队的目标是自动筛选各种NaMeO₂O₃基材料中的元素组成。为了实现这一目标，他们首先编制了一个数据库，其中包含100个O₃型钠半电池样本，这些样本具有68种不同的成分，团队在11年内收集。

该数据库包含NaMeO2样品的成分，其中Me为Mn、Ti、Zn、Ni、Zn、Fe、Sn等过渡金属，以及充放电测试的上下限电压、初始放电容量、平均放电电压、以及20次循环后的容量保持率。

为了进行有效的搜索，研究人员使用该数据库训练了一个模型，结合了多种机器学习算法和贝叶斯优化。该模型的目标是预测实现工作电压、容量保持率（寿命）和能量密度等特性之间理想平衡所需的最佳元素比例，以及了解这些特性与NaMeO₂层状氧化物成分的关系。

分析结果后，研究小组确定，模型表明，实现最高能量密度（电极材料最关键的特性之一）的最佳成分是Na[Mn₀.36Ni₀.44Ti₀.15Fe₀.05]O₂。然后，他们用这种成分制作样品，并组装标准纽扣电池进行充放电测试，证实了模型的预测准确性。

测量值证明了该模型的有效性和研究新型电池材料的潜力，测量值与预测结果基本一致。研究中建立的方法提供了一种有效的方法，可以从众多潜在候选物中识别出有前途的成分。此外，这种方法可扩展到更复杂的材料系统，例如五元过渡金属氧化物。

材料科学的一个发展趋势是应用机器学习来确定有前景的研究方向，因为它可以大大减少筛选新材料所需的时间和实验次数。本研究提出的方法有可能加速下一代电池的开发，从而从根本上改变储能技术。

这种转变不仅会影响笔记本电脑和智能手机等消费电子产品，还会影响可再生能源和混合动力或电动汽车的生产。此外，电池研究中有效的机器学习应用可以作为其他领域材料开发的典范，有可能推动整个材料科学界的创新。

通过使用机器学习，可以减少实验次数，这使我们距离加快材料开发速度和降低成本又近了一步。此外，随着Na离子电池电极材料性能的不断提高，预计未来将能够以更低的成本提供高容量和长寿命的电池。

» 仪器设备 购买 咨询