在水性离子混合电容器上的渐变孔状碳的设计原理:一个结合分子动力学和机器学习的研究
Yifeng Zhang1, Jie Tian1, Guanyu Li1
1School of Physics, Dalian University of Technology, Dalian 116024, P. R. China.
ACS applied materials & interfaces
|January 4, 2025
概括
机器学习为水性离子混合电容器 (ZIHC) 确定了最佳的梯度多孔碳结构. 特定的孔隙大小可以增强离子动力学和能量储存能力.
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
- 计算化学的计算化学
背景情况:
- 渐变多孔碳是水性离子混合电容器 (ZIHC) 的一个有前途的电极材料.
- 了解ZIHC中超微孔和微孔的协同效应对于优化性能至关重要.
- 现有的研究主要集中在ZIHC制造上,对孔隙结构贡献的机械洞察力有限.
研究的目的:
- 使用机器学习 (ML) 在ZIHC中建立渐变多孔碳结构的设计原则.
- 阐明特定孔径大小组合在增强电化学能量储存中的作用.
- 为了研究渐变多孔碳电极内的离子动力学和接口机制.
主要方法:
- 数据挖掘和机器学习 (ML) 用于识别最佳孔径分布.
- 分子动力学 (MD) 模拟用于研究电极/电解质接口上的电双层结构.
- 基于ML的力场开发,用于模拟离子充电动态.
主要成果:
- 最佳的梯度多孔碳结构具有0.6-0.9nm超微孔和1.6nm微孔的组合,以获得最大的特定容量.
- MD模拟显示,1.6nm微孔中的Zn2+离子有效平衡电极表面电荷,具有修改的溶解结构.
- 模拟确定了0.86和1.6纳米梯度孔隙结构的逐步溶解过程,增强了离子充电和容量保留.
结论:
- 一种数据驱动的ML方法成功指导了ZIHCs的梯度多孔碳的设计.
- 特定的超微孔和微孔大小的协同效应是优越电化学性能的关键.
- 在工程孔结构中了解离子溶解和解溶动态,为改进的ZIHCs提供了机械基础.
