成果简介

在本文中，芝加哥大学孟颖教授和加州大学圣地亚哥分校张明浩教授（共同通讯作者）等人报道了一种耦合有限元法（FEM）和机器学习（ML）工作流程来优化厚正极（约150 μm，8 mAh/cm2）的倍率性能。基于单个LiNi0.8Mn0.1Co0.1O2（NMC811）颗粒的几何观测值及其由FEM模型预测的平均放电状态（SOD），修正了ML模型。该模型不仅绕过了冗长的有限元模拟，而且对孔隙弯曲度和活性粒径的重要性提供了更深入的了解，被认为是排放过程中的限制现象。基于这些发现，作者提出了一种双层结构来解决已确定的倍率性能限制因素，该结构电极的优点是通过FEM通过比较其性能的原始单层电极验证。最后，作者使用干法处理的实验验证表明，对比已报道的厚NMC电极，双层电极的体积容量提高了40%。

研究背景

通过增加电极内活性物质的体积，可存储更多的能量，使电动汽车（EV）一次充电可以行驶更远的距离。然而，厚电极的充电能力不足，导致电动汽车的充电时间比目前的充电时间还要长。由于弯曲的C网络造成的有限的电子导电性，可能是由于润湿性差、孔隙相弯曲以及离子到达集流器的扩散路径较长，导致离子传输缓慢。使用计算三维有限元方法（FEM）模拟，限制了对大范围参数及其个别影响进行彻底分析的能力。机器学习（ML）是加速预测的合适方法，即使对于实验输入。虽然这种方法极大减少了准确预测所需的时间和资源，但它仍然缺乏关于SOD与电极特征之间关系的更深入的见解。在厚电极的背景下，无论是通过孔道设计的优化还是基于制造参数的性能预测，都只对石墨电极进行了研究。

图1. 开发计算方法的工作示意图 图文导读

作者使用描述的数据集训练随机森林算法，并将其对新数据集的预测与实际FEM模拟输出进行比较。每个点代表给定DOD处的一个颗粒。x=y曲线与某一点的距离越大，预测误差越大。通过FEM模拟和ML算法的预测，在放电结束时绘制了3-D的SOD。只有少数粒子在有限元模拟和ML预测之间表现出明显的差异，因为每个COMSOL模拟需要几个小时来计算，而ML工作流程的预测时间要低2个数量级（约1 min）。

图2. 厚电极的ML验证

作者验证了数据集的所有数据点的SHAP值，并且每个特征从上到下从影响最大到影响最小排序。通过电解质扭曲度的离子传输是SHAP值范围最大的特征，低扭曲度诱导了更好的NMC811利用率。观察到相反的趋势，NMC811颗粒在分离器附近被更多地利用，而曲率随着靠近集流器而增加，证实了电解质扭曲对颗粒利用的影响。关于NMC811颗粒的体积，作者发现较小的颗粒会比较大的颗粒具有更高的SOD。3组NMC811颗粒的SOD分布表明，较大颗粒的分布峰对应于较低的SOD。

图3. 高倍率性能的限制因素

作者为原始和双层电极（均为8 mAh/cm2）制备了3个硬币电池。在低倍率下获得类似的放电容量，直到C/2阈值，其中双分子层优于原始电极。双层半电池在8 mA/cm2（1 C）电流密度下的平均放电容量为86 mAh/gNMC，在4 mA/cm2（C/2）电流密度下的平均放电容量为168 mAh/gNMC，分别比原始硬币电池（8 mA/cm2时38 mAh/gNMC和4 mA/cm2时135 mAh/gNMC）高125%和25%左右。在给定倍率下，值的分散在低倍率下可以忽略不计（双分子层在C/10时的范围约为7 mAh/gNMC），但在较高倍率下显著增加（双分子层在1 C时的范围约为54 mAh/gNMC）。

图5. 双层厚电极的性能

文献信息

Improved Rate Capability for Dry Thick Electrodes through Finite Elements Method and Machine Learning Coupling. ACS Energy Lett., 2024, DOI: https://doi.org/10.1021/acsenergylett.4c00203.