电解质添加剂的数据驱动设计支持高性能5VLiNi0.5Mn1.5O4正电极
Bingning Wang1, Hieu A Doan2, Seoung-Bum Son1
1Chemical Sciences and Engineering Division, Argonne National Laboratory, 9700 South Cass Avenue, Lemont, IL, 60439, USA.
机器学习发现了离子电池的新型电解质添加剂,提高了高压螺旋电极 (LNMO) 和石墨阳极的性能. 这些数据驱动的发现加速了用于先进储能材料的材料开发.
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
- 计算化学计算化学
背景情况:
- 高容量LiNi0.5Mn1.5O4 (LNMO) 螺旋阴极在高电位 (4.6-4.7V与Li+/Li) 上工作,超过电解质稳定性极限.
- 稳定石墨阳极和LNMO阴极都需要定制的电解质配方来形成保护界面.
研究的目的:
- 开发一种基于机器学习的方法,用于发现石墨白LNMO电池系统的有效电解质添加剂.
- 确定新的单和双添加剂电解质组合物,以提高电池性能和稳定性.
主要方法:
- 选和测试28个单元和双电解质添加剂,用于格里斯本的LNMO电池.
- 在实验数据上训练机器学习模型 (区域特定阻抗,阻抗上升,特定容量).
- 使用训练有素的模型来预测和建议从125个可能性中最优的二进制添加组合.
主要成果:
- 机器学习模型成功预测了添加性能,识别了6个有前途的二进制组合.
- 机器学习生成的添加剂配方显著超过了最初一组测试的添加剂.
- 通过整合数据驱动方法和电池实验,证明了加速材料发现.
结论:
- 机器学习对于识别复杂电池应用中的先进材料非常有效.
- 开发的工作流加速了用于高性能离子电池的新型电解质添加剂的发现.
- 这种方法使下一代储能解决方案的快速材料创新成为可能.
更多相关视频
11:04Synthesis of Ionic Liquid Based Electrolytes, Assembly of Li-ion Batteries, and Measurements of Performance at High Temperature
Published on: December 20, 2016
08:59Synthesizing a Gel Polymer Electrolyte for Supercapacitors, Assembling a Supercapacitor Using a Coin Cell, and Measuring Gel Electrolyte Performance
Published on: November 30, 2022
相关概念视频
Electrogravimetric Analysis: Overview
To test the completeness of the...
Electrodeposition
Electrodeposition can...
Ionic Association
Types of Reversible Electrodes
The Electrical Double Layer
Processes at Electrodes
