发现高能钠离子电池成分，机器学习简化最佳材料搜索过程

编辑| KX

锂离子电池广泛用于电动汽车、笔记本电脑、智能手机等电子产品。尽管锂离子电池在市场中占据着主导地位，但锂元素相对稀缺且昂贵。

钠离子电池以钠离子作为能量载体，由于钠资源丰富、安全性高、成本低，有望成为 LIB 的替代品。特别是，含钠过渡金属层状氧化物 (NaMeO2) 是钠离子电池正极的强大材料，具有出色的能量密度和容量。

然而，对于由几种过渡金属组成的多元素层状氧化物，可能的组合数量之多，使得寻找最佳组成既复杂又耗时。即使是过渡金属的选择和比例的微小变化，也会导致晶体形态的显著变化，从而影响电池性能。

近日，日本东京理科大学 (TUS) 和名古屋工业大学的研究团队，利用机器学习来简化搜索最佳材料的过程。

研究人员使用由实验数据训练的机器学习优化了高能钠离子电池过渡金属层状氧化物的成分。

ML 模型预测了其电化学性能，提出了有希望的四元 Na[Ni,Mn,Fe,Ti]O2成分。并且合成了 Na[Mn0.36Ni0.44Ti0.15Fe0.05]O2，其能量密度高达 549 Wh/kg，与预测值一致。

相关研究发表在《Journal of Materials Chemistry A》上。

论文链接：https://pubs.rsc.org/en/content/articlelanding/2024/ta/d4ta04809a

钠离子代替锂离子

锂离子电池 (LIB) 因其高能量密度而受到青睐，但地壳中的锂资源仅为 24 ppm，且全球分布不均。因此，由成本低廉且储量丰富的金属组成的钠离子电池 (SIB) 作为下一代电池备受关注。

自 20 世纪 70 年代以来，人们就开始研究用作钠离子电池（SIB）正极材料的含钠过渡金属层状氧化物，并认为其会根据合成条件和钠含量形成各种晶体结构。通过高温结晶形成的主要结构被确定为 O3 型和 P2 型。其中，O3 型结构以其高钠含量而著称，这对于钠离子全电池的高容量至关重要。

除了结构方面，成分对电化学性能影响也很大。过渡金属的选择和配比影响其形貌、容量、循环性能和倍率性能。因此，大量研究集中在钠层状氧化物的成分优化上。由于多元素层状氧化物的潜在成分组合范围很广，因此有效的成分优化方法，对于找到具有更高能量密度和良好循环性能的正极材料至关重要。

AI 简化钠离子电池最佳材料搜索过程

为此，研究人员首先建立了一个数据库，其中包含 100 个 O3 型钠半电池样品，具有 68 种不同的成分，由日本东京理科大学Komaba 团队在 11 年的时间里收集。

「该数据库包括 NaMeO2样品的成分，Me 是过渡金属，如 Mn、Ti、Zn、Ni、Zn、Fe 和 Sn 等，以及充放电测试的上下限电压、初始放电容量、平均放电电压和 20 次循环后的容量保持率，」Komaba 解释说。

然后，研究人员使用该数据库训练一个模型，模型结合了几种机器学习算法以及贝叶斯优化，以进行有效搜索。该模型的目标是了解工作电压、容量保持率（寿命）和能量密度等特性与 NaMeO2层状氧化物的成分之间的关系，并预测实现这些特性之间理想平衡所需的最佳元素比例。

图示：使用 ML 探索钠离子电池新型 NaMeO2 正极材料的过程。a) 该研究使用的实验数据集；b) 构建机器学习模型；c) 探索有前景的组合物；d) 实验验证所得组合物的电化学性质。（来源：论文）

多目标优化搜索提出了 205 种组合物。这些组合物分布在正极能量密度 535–563 Wh/kg 和容量保持率 92.3–93.7% 之间。正极能量密度高的组合物主要富含 Ni（约 40%），而容量保持率高的组合物富含 Mn（约 60%）。然后，针对具有最高预测活性材料能量密度的组合物 NaMn0.3413Ni0.4488Ti0.1648Fe0.04512O2(MNTF) 进行实验验证。

图示：(a) 用于训练的数据库的电化学性质与所提出的 MNTF 的测量电化学性质的比较。(b) 搜索结果的扩展显示，(c) 图表显示了所提出的 205 种有前景的组合物的分布情况，根据其电化学性质分为四组，每组都由一种代表性组合物代表。（来源：论文）

研究发现，该模型预测的 Na[Mn0.36Ni0.44Ti0.15Fe0.05]O2是实现最高能量密度的最佳成分，而能量密度是电极材料中最重要的特性之一。为了验证模型预测的准确性，他们合成了这种成分的样品，并组装了标准纽扣电池进行充放电测试。

图示：(a) MNTF 的 SXRD 数据的 Rietveld 分析和 (b) MNTF//Na 电池的恒电流充电和放电曲线。（来源：论文）

对合成的 MNTF 电极在 2.0~4.2 V 电压范围内进行恒流充放电测试。MNTF 的首次放电容量为 169 mA h/g，平均放电电压为 3.22 V，与预测值 172 mA h/g 和 3.27 V 一致。

但第 20 次循环实验获得的容量保持率为 83.0%，明显低于预测值的 92.3%。这种容量衰减可归因于充放电反应过程中 MNTF 的相演变、颗粒裂解，电压平台期在 4.17 V 处。因此，在模型中考虑结构变化和颗粒形态的影响对于准确预测容量保持率是必要的。

最后，研究人员将 MNTF 的电化学性能与其数据集中的数据进行了比较。值得注意的是，在四元（或更低）Mn-Ni-Ti-Fe 系统中，MNTF 在 2.0–4.2 V 范围内表现出最高的正极能量密度。此外，将当前材料实现的能量密度与过去报道的 O3 NaMeO2的能量密度进行比较。在之前的报告中，只有一次能量密度超过 500 Wh/kg 的情况。因此，该研究合成的组合物可被认为具有足够高的能量密度。

「我们建立的方法，可以从广泛的潜在候选物中识别出有希望的成分，」Komaba 说道，「此外，这种方法可以扩展到更复杂的材料系统，例如五元过渡金属氧化物。」

加速整个材料科学领域创新

使用机器学习来识别有希望的研究途径是材料科学的一个日益增长的趋势，因为它可以帮助科学家大大减少筛选新材料所需的实验次数和时间。该研究提出的策略可以加速下一代电池的开发，彻底改变整个能源存储技术。

这不仅局限于电池领域。此外，机器学习在电池研究中的成功应用可以作为其他领域材料开发的模板，有可能加速整个材料科学领域的创新。

「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，随着钠离子电池电极材料性能的不断提高，未来将以更低的成本提供高容量和长寿命的电池，」Komaba 总结道。

参考内容：https://techxplore.com/news/2024-11-leveraging-machine-compositions-sodium-ion.html