Loading ...По мере того, как экологически чистый переход стимулирует внедрение электромобилей и систем хранения энергии для электросетей со все большей зависимостью от переменных возобновляемых источников энергии, таких как ветер и солнечная энергия, также растет опасность возгорания аккумуляторных батарей. Чтобы ограничить этот риск и улучшить производительность аккумуляторов, следующее поколение аккумуляторов, вероятно, будет зависеть от новых твердотельных электролитов, но исследования затрудняются из-за огромного количества вариантов материалов и задействованных параметров.
Однако на помощь приходит машинное обучение. Группа ученых-материаловедов разработала новую динамическую базу данных сотен твердотельных электролитов, к которой они применили методы искусственного интеллекта, которые уже направляют исследования в лучшем направлении.
Статья, описывающая их подход, была опубликована в журнале Nano Materials Science 10 сентября 2023 года.
Во многих аккумуляторных батареях в качестве электролитов обычно используются органические растворители — вещества, обычно жидкости или гели, которые облегчают движение заряженных частиц или ионов между положительными и отрицательными электродами .
Этот тип растворителя обеспечивает хорошую проводимость и позволяет эффективно транспортировать ионы между электродами, но ряд проблем с безопасностью и производительностью означает, что исследователи аккумуляторов уже давно ищут альтернативные материалы для электролита.
В частности, органические растворители могут быть легковоспламеняющимися и могут привести к неконтролируемым термическим реакциям, вызывающим пожары или взрывы. Кроме того, органические растворители могут быть склонны к химическому разложению, что со временем может привести к образованию газа и распаду электролита, что снижает производительность и срок службы аккумулятора. Кроме того, они иногда страдают от ограниченного диапазона напряжений, в которых может работать аккумулятор.
Одним из альтернативных путей являются полностью твердотельные батареи (ASSB), в которых традиционный жидкий или гелеобразный органический растворитель заменен твердым электролитом, что устраняет проблему утечки и, следовательно, взрыва. Эти твердотельные электролиты не только повышают безопасность, они также обеспечивают более высокую плотность энергии и, потенциально, более быстрое время зарядки.
Однако путь к поиску твердотельных электролитов (SSE) с высокой ионной проводимостью (способностью ионов перемещаться через батарею и производить ток) был пронизан проблемами, в первую очередь из-за их сложной структуры и взаимоотношений между этими структурами. и производительность. Пока идентифицированы только ССЕ с медленной миграцией ионов. Без высокопроизводительных SSE развитие ASSB сильно затруднено.
«Положение усугубляется огромным количеством SSE на выбор», — сказал Хао Ли, ученый-материаловед из Передового института исследований материалов Университета Тохоку и автор статьи. «Существуют сотни возможностей, и исследователям очень сложно рассмотреть такой объем вариантов, отслеживая при этом множество различных параметров оптимальной производительности».
Поэтому команда разработала экспериментальную динамическую базу данных, Динамическую базу данных твердотельных электролитов (DDSE), которая изначально содержала более 600 потенциальных материалов твердотельных электролитов, охватывающих широкий диапазон рабочих температур и охватывающих различные катионы и анионы (положительные и отрицательные). ионы), чтобы изучить взаимосвязи между различными переменными.
Динамическая база данных — это тип базы данных, которая спроектирована так, чтобы ее можно было легко обновлять и часто изменять, что позволяет в реальном времени вносить изменения и дополнения в содержащиеся в ней данные. Этот тип базы данных часто используется в ситуациях, когда информация постоянно меняется. При этом DDSE постоянно пополняется новыми экспериментальными данными. База данных обновляется еженедельно и по состоянию на январь 2024 года содержит более 1000 материалов.
Затем исследователи применили машинное обучение к DDSE, чтобы преодолеть ограничения человеческого анализа и огромные вычислительные затраты на теоретические расчеты. В отсутствие машинного обучения исследователи изо всех сил пытались вычислительно разобраться в большой атомной системе SSE, а также в сложности связанных с ней химических реакций.
Используя машинное обучение, исследователи могут делать более точные прогнозы о новых материалах твердотельных электролитов при гораздо меньших вычислительных (и финансовых) затратах и с минимальной потерей времени по сравнению с предыдущими попытками разработки SSE методом проб и ошибок.
При этом они начали выявлять сложные взаимосвязи между множеством различных переменных, включая транспорт ионов, состав, энергию активации (количество энергии, необходимое для запуска химической реакции) и проводимость, что позволило разработать новый набор переменных. руководящих принципов по проектированию СЭС. Исследователи уже определили тенденции развития и производительности SSE для различных классов материалов, а также узкие места в производительности для каждого класса SSE.
DDSE также был разработан с удобным интерфейсом, позволяющим другим ученым, занимающимся аккумуляторами и материалами, помимо первоначальной команды, обновлять и использовать его самостоятельно.
Новости партнеров:
Вам могло бы понравиться:
54
