整合分子动力学和机器学习用于金属电池的溶解导电解质优化
Xiwang Chang1,2, Yang Yang3, Weiheng Xu3
1School of Materials Science & Engineering, Zhejiang Sci-Tech University, Hangzhou, 310018, China.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|June 30, 2025
概括
研究人员使用模拟和机器学习开发了用于金属电池的新电解质. 这种优化的电解质显著提高了循环稳定性和库伦比效率 (CE),使电池寿命更长.
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:
- 液体电解质对于金属电池的性能至关重要,但副作用和树岩形成限制了稳定性和寿命.
- 低库伦比克效率 (CE) 和缩短的循环寿命是当前金属电池技术的持续挑战.
研究的目的:
- 为金属电池开发一个快速,经济高效的优化液体电解质的战略.
- 通过综合计算和实验方法,提高长期循环稳定性和库伦比效率.
主要方法:
- 集成的高通量分子动力学模拟与机器学习预测用于电解质选.
- 通过计算建模识别的有希望的电解质配方的实验验证.
- 确定影响电解质性能的关键分子描述物的识别.
主要成果:
- 一种混合电解质 (LiFSI盐,DEE溶剂,LiNFS添加剂) 实现了显著改善的CE,达到98.32%.
- 确定了最佳的电解质组成,有利于特定的盐度和盐和溶剂中的元素含量.
- 为加速电解质设计建立了可重复使用的建模框架.
结论:
- 综合模拟和机器学习方法有效地加速了高性能电解质的发现.
- 优化的电解质成分显示出优越的循环稳定性和金属电池的库伦比效率.
- 这个框架为有针对性的电解质设计和优化提供了一个资源高效的途径.
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
4.7K
11:04Synthesis of Ionic Liquid Based Electrolytes, Assembly of Li-ion Batteries, and Measurements of Performance at High Temperature
Published on: December 20, 2016
13.1K
