相关实验视频
Updated: Jun 3, 2025

Zinc-Sponge Battery Electrodes that Suppress Dendrites
Published on: September 29, 2020
机器学习辅助的高捐赠人数电解质添加选,用于制造无树的水性离子电池
Haoran Luo1, Qianzhi Gou1,2, Yujie Zheng1
1National Innovation Center for Industry-Education Integration of Energy Storage, MOE Key Laboratory of Low-Grade Energy Utilization Technologies and Systems, CQU-NUS Renewable Energy Materials & Devices Joint Laboratory, College of Energy & Power Engineering, Chongqing University, Chongqing 400044, China.
机器学习加速了为无树酸盐水性离子电池 (AZIB) 发明电解质添加剂的发现. 预测古特曼捐赠人数 (DN值) 的模型将异醇 (IPA) 确定为一种高性能添加剂,增强电池的稳定性和寿命.
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
- 人工智能的人工智能
背景情况:
- 水性离子电池 (AZIB) 是一个有前途的储能设备.
- 电解质添加剂对于开发无树突的AZIB至关重要,但查具有挑战性.
- 机器学习 (ML) 提供了一条加速能源存储材料发现的途径.
研究的目的:
- 开发一种ML辅助的方法,以有效地选用于AZIBs的电解质添加剂.
- 建立Gutmann捐赠者数 (DN值) 和添加性能之间的相关性.
- 研究添加剂对 Zn 阳极稳定性和电化学性能的影响机制.
主要方法:
- 开发了一种集成的ML模型,使用分子指纹预测有机分子的古特曼捐赠者 (DN) 值.
- 使用DN值作为AZIB中的电解质添加剂的选参数.
- 进行实验测试和理论计算来分析对 Zn 阳极热力学稳定性和电化学性能的添加效应.
主要成果:
- ML模型成功预测了DN值,使电解质添加剂的有效选成为可能.
- 在添加DN值和Zn阳极的电化学性能之间观察到正相关性.
- 具有高DN值的异醇 (IPA) (36) 显示出卓越的性能:1500小时的日历寿命,超过450个周期的99%的库伦比效率,以及良好的循环保留.
结论:
- 基于ML的DN值预测是加速AZIBs电解质添加剂开发的可行策略.
- 该研究确定了DN值作为优化AZIBs中Zn阳极稳定性和性能的关键参数.
- 这项工作开创了ML用于DN值预测的应用,为AZIBs提供了一种新的调查方法.
更多相关视频
07:55Elemental-sensitive Detection of the Chemistry in Batteries through Soft X-ray Absorption Spectroscopy and Resonant Inelastic X-ray Scattering
Published on: April 17, 2018
10:41Three-electrode Coin Cell Preparation and Electrodeposition Analytics for Lithium-ion Batteries
Published on: May 22, 2018
相关概念视频
Standard Electrode Potentials
Electrodeposition
Electrodeposition can...