结合K-Means机器学习和电化学建模的高效方法,用于确定电池电极中的离子扩散率和动力特性

科学领域:

• 电化学 电化学 电化学
• 材料科学 材料科学 材料科学
• 机器学习 机器学习

背景情况:

• 精确确定固态扩散系数对于推进储能中的电极材料至关重要.
• 现有的模型,如韦普纳等人. "的公式,对呈现相变的材料有局限性.
• 电极材料中的相位过渡使标准扩散系数计算方法的应用变得复杂.

研究的目的:

• 开发和验证一种创新和高效的方法来确定具有相变的电极材料中的固态扩散系数.
• 解决现有公式在复杂的电化学系统中应用时的局限性.
• 为了能够准确地描述先进电池材料中的离子扩散动态.

主要方法:

• 利用k-means机器学习来选电静电间歇定位技术 (GITT) 的步骤.
• 采用基于物理的算法,用于数值模拟的伪二维 (P2D) 电化学模型.
• 开发了一种用于使用无监督机器学习 (k-means集群) 来对GITT步骤进行分类的新方法.

主要成果:

• 成功确定了在NVPF电极的化过程中Na+扩散系数和反应速率常数的依赖性.
• 量化的Na+扩散系数范围从9×10-18到6.8×10-16 m2·s−1.1.
• 确定反应速率常数在2.7 × 10-14 和1.5 × 10-12 m2.5·mol−0.5·s−1.1之间变化.
• 通过减少模拟代次数 (平均8次) 实现了显著的效率.

结论:

• 拟议的方法提供了一种创新,高效和通用适用的方法,用于固态扩散系数的确定.
• 整合k-means集群和基于物理的算法为复杂的电极材料提供了强大的解决方案.
• 这种方法提高了电池材料的特性,促进了下一代储能设备的开发.