通过电化学曲线指纹解读金属阳极的故障路径
Zhihong Piao1, Zhiyuan Han1, Shengyu Tao1
1Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen 518055, China.
National science review
|June 13, 2025
概括
现在可以使用早期周期数据预测金属电池阳极故障. 机器学习识别了关键的电化学指纹,揭示了降解原因,提高了电池的可靠性和电解质的发展.
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
- 机器学习 机器学习
背景情况:
- 金属电池 (LMB) 对于储能至关重要,但阳极故障机制阻碍了它们的广泛采用.
- 目前对阳极故障的死后分析缺乏对故障进展和根本原因的动态洞察力.
研究的目的:
- 在LMB中开发金属阳极故障机制的预测模型.
- 使用电化学指纹识别不同类型故障的早期指标.
- 为了深入了解LMB阳极中的动力学和可逆性降解.
主要方法:
- 利用由域名知识提供信息的机器学习模型.
- 分析了一套数据集,包括超过18000个循环和1200万个数据点,来自循环到失败的细胞.
- 专注于确定初始涂/剥离行为和随后的阳极变化之间的相关性.
主要成果:
- 精确预测LMB故障类型,使用前两个周期的数据 (不到总数据的2%).
- 确定了与微结构及其与电解质的相间关键的关键电化学指纹,这对降解至关重要.
- 证明这些指纹会影响无效的相间区域和不活性的形成,影响运输路径.
结论:
- 早期的电化学指纹可以作为LMB中不同阳极故障模式的可靠指标.
- 开发的死前预测方法为评估电池可靠性和指导电解质发展提供了一种实际方法.
- 该模型显示了多功能性,并且可以在不同的电解质系统中很好地概括.
更多相关视频
11:25Identification and Quantification of Decomposition Mechanisms in Lithium-Ion Batteries; Input to Heat Flow Simulation for Modeling Thermal Runaway
Published on: March 7, 2022
4.5K
10:03Characterization of Electrode Materials for Lithium Ion and Sodium Ion Batteries Using Synchrotron Radiation Techniques
Published on: November 11, 2013
25.4K
