通过机器学习辅助衍射断层扫描检测疲劳层状阴极材料中的颗粒-碳/粘合剂降解行为
Weibo Hua1,2,3, Jinniu Chen1, Dario Ferreira Sanchez4
1School of Chemical Engineering and Technology, Xi'an Jiaotong University, No.28, West Xianning Road, Xi'an, Shaanxi, 710049, China.
Angewandte Chemie (International ed. in English)
|May 3, 2024
概括
研究离子电池 (LIB) 中的正极材料揭示了明显的降解模式. 机器学习和μ-XRD断层扫描确定了粒子大小和循环如何影响NCM622和LLNMO性能.
科学领域:
- 材料科学 材料科学 材料科学
- 电化学 电化学 电化学
- 电池技术 电池技术
背景情况:
- 了解阴极材料中的反应异质性对于优化离子电池 (LIB) 性能至关重要.
- 在LIB中对这些复杂反应的实验验证仍然是一个重大挑战.
研究的目的:
- 研究反应异质性对丰富层次LiNi0.6Co0.2Mn0.2O2 (NCM622) 和丰富层次Li[Li0.2Ni0.2Mn0.6]O2 (LLNMO) 阴极材料电化学性能的影响.
- 使用先进的成像和机器学习技术,在循环过程中空间绘制晶体结构和微链演变的地图.
主要方法:
- 使用扫描μ-XRD计算机断层扫描来分析NCM622和LLNMO阴极材料.
- 利用机器学习 (ML) 来分析一个大数据集的μ-XRD模式,识别晶体结构和微链的空间分布.
- 与粒子大小和位于电极复合材料中的位置相关的结构变化.
主要成果:
- NCM622证明了结构降解和取决于二次颗粒大小的晶格应变,较小的颗粒和颗粒表面经历了更大的疲劳.
- 在高压循环过程中,LLNMO在表面和散装区域都表现出严重的应变诱导的退化,导致大量的电压衰减和容量衰减.
- 对于NCM622和LLNMO,确定了不同的降解机制,受粒子形态学和循环条件的影响.
结论:
- 该研究强调了微观结构特征和空间异质性在确定LIBs中的阴极材料性能和降解途径方面的关键作用.
- 这些发现为设计具有更好的稳定性和寿命的高级分层阴极材料提供了洞察力.
- -XRD断层扫描和ML的结合方法为了解和减轻电池材料降解提供了一个强大的工具.
