在最近的一项研究中材料化学杂志A,由来自日本的 Shinichi Komaba 教授、Saaya Sekine 女士和 Tomooki Hosaka 博士领导的研究团队东京理科大学(TUS)与查尔姆斯理工大学和名古屋理工学院的 Masanobu Nakayama 教授合作,利用机器学习来加强对有前途的作品的搜索。
能源存储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)目前在市场上占据主导地位,但锂是一种有限且昂贵的资源,带来了经济和供应稳定性挑战。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,由于钠含量丰富、安全性更高且可能节省成本,因此成为锂离子电池的一种有前景的替代品。特别是,含钠过渡金属层状氧化物(NaMeO·)表现出卓越的能量密度和容量,使其成为钠离子电池正极的有效材料。
然而,考虑到大量可能的组合,确定包含各种过渡金属的多元素层状氧化物的最佳成分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的调整,也会导致晶体形态和电池性能的显着变化。
研究小组的目标是自动筛选各种 NaMeO·O·基材料中的元素成分。为了实现这一目标,他们首先编制了一个数据库,其中包含来自 O 型钠半电池、具有 68 种不同成分的 100 个样本,这些样本是 Komaba 团队在 11 年的时间里收集的。
该数据库包括 NaMeO 的成分2样品中Me为Mn、Ti、Zn、Ni、Zn、Fe、Sn等过渡金属,以及充放电测试电压上下限、首次放电容量、平均放电电压、20次循环后的容量保持率。
Shinichi Komaba,东京理科大学教授
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在工作电压、容量保持(寿命)和能量密度等特性之间实现所需平衡所需的最佳元素比例,并了解这些特性与 NaMeOâ 成分的关系层状氧化物。
分析结果后,该小组确定该模型表明获得最高能量密度(电极材料最关键的特性之一)的最佳成分是Na[Mn−.36Ni−.44Ti−]。15Fe·05]O·。然后,他们用这种成分制作了样品,并组装了标准纽扣电池来进行充放电测试,确认了模型的预测准确性。
测量值证明了该模型研究新型电池材料的有效性和潜力,这些值在很大程度上与预测结果一致。
Komaba 补充道:我们的研究中建立的方法提供了一种有效的方法,可以从广泛的潜在候选者中识别出有前途的组合物。此外,该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。Ø
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,因为它可以显着减少筛选新材料所需的时间和实验数量。这项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模型,有可能推动更广泛的材料科学界的创新。
Komaba 总结道:通过使用机器学习可以减少实验数量,这使我们离加快材料开发速度和降低材料开发成本又近了一步。此外,随着钠离子电池电极材料性能的不断提高,预计未来将以更低的成本获得高容量、长寿命的电池。Ø
通过机器学习优化钠离子电池成分
视频来源:东京理科大学
希望经济上可行的钠离子电池很快就能面世!
这项研究由 JST-CREST、DX-GEM 和 JST-GteX 资助。
期刊参考:
关根,S.等阿尔。(2024) 钠[锰]0.36镍0.44钛0.15铁0.05]O2通过机器学习预测高能钠离子电池。材料化学学报A。doi.org/10.1039/D4TA04809A