Накопление энергии является неотъемлемой частью многих быстро развивающихся экологически чистых технологий, включая электромобили и производство энергии из возобновляемых источников. Хотя литий-ионные аккумуляторы (ЛИБ) доминируют на современном рынке, литий является относительно дефицитным и дорогим элементом, что создает проблемы как для экономики, так и для стабильности поставок. Соответственно, исследователи по всему миру экспериментируют с новыми типами аккумуляторов, изготовленных из более распространенных материалов.
Натрий-ионные (Na-ion) аккумуляторы, использующие ионы натрия в качестве носителей энергии, представляют собой многообещающую альтернативу LIBs из-за большого количества натрия, их более высокой безопасности и потенциально более низкой стоимости. В частности, слоистые оксиды переходных металлов, содержащие натрий (NaMeO2) являются мощными материалами для положительного электрода Na-ионных аккумуляторов, обладающими исключительной плотностью энергии и емкостью. Однако для многоэлементных слоистых оксидов, состоящих из нескольких переходных металлов, огромное количество возможных комбинаций делает поиск оптимального состава сложным и трудоемким. Даже незначительные изменения в выборе и пропорции переходных металлов могут привести к заметным изменениям в морфологии кристаллов и повлиять на производительность батареи.
В недавнем исследовании исследовательская группа под руководством профессора Шиничи Комабы, а также г-жи Саайи Секине и доктора Томуки Хосака из Токийского научного университета (TUS), Япония, Технологического университета Чалмерса и профессора Масанобу Накаямы из Нагойского технологического института использовали машинное обучение для оптимизации поиска для перспективных композиций. Результаты их исследования были получены 05 сентября 2024 года с исправленными доказательствами и опубликованы онлайн в Журнал химии материалов A опубликовано 06 ноября 2024 года, после вычитки. Данное исследование проводится при поддержке финансовых агентств JST-CREST, DX-GEM и JST-GTEx.
Команда стремилась автоматизировать скрининг элементных составов в различных областях применения.2 Материалы типа O3. С этой целью они сначала собрали базу данных из 100 образцов натриевых полуэлементов типа O3 с 68 различными составами, собранных группой Komaba в течение 11 лет. "База данных включала состав NaMeO2 образцы, в которых Me является переходным металлом, таким как Mn, Ti, Zn, Ni, Zn, Fe и Sn, среди прочих, а также верхний и нижний пределы напряжения для испытаний на заряд-разряд, начальную разрядную емкость, среднее напряжение разряда и сохранение емкости после 20 циклов", - объясняет Комаба.
Затем исследователи использовали эту базу данных для обучения модели, включающей несколько алгоритмов машинного обучения, а также байесовскую оптимизацию, для выполнения эффективного поиска. Целью этой модели было изучение того, как такие свойства, как рабочее напряжение, сохранение емкости (срок службы) и плотность энергии, связаны с составом NaMeO2 слоистых оксидов и спрогнозировать оптимальное соотношение элементов, необходимое для достижения желаемого баланса между этими свойствами.
Проанализировав результаты, команда обнаружила, что модель предсказывает Na[Mn0.36Это0.44Тебя0.15Фе0.05]О2 это оптимальный состав для достижения наивысшей плотности энергии, которая является одной из наиболее важных характеристик электродных материалов. Чтобы проверить точность прогноза модели, они синтезировали образцы с таким составом и собрали стандартные ячейки coin для проведения тестов заряда-разряда.
Измеренные значения по большей части соответствовали прогнозируемым, что свидетельствует о точности модели и ее потенциале для изучения новых материалов аккумуляторов. "Подход, основанный на нашем исследовании, предлагает эффективный метод определения перспективных композиций из широкого спектра потенциальных кандидатов, - отмечает Комаба. - Более того, эта методология применима к более сложным материальным системам, таким как оксиды переходных металлов".
Использование машинного обучения для определения перспективных направлений исследований является растущей тенденцией в материаловедении, поскольку оно может помочь ученым значительно сократить количество экспериментов и время, необходимое для проверки новых материалов. Стратегия, представленная в этом исследовании, может ускорить разработку аккумуляторов следующего поколения, которые способны революционизировать технологии накопления энергии во всех сферах. Это касается не только производства энергии из возобновляемых источников и электромобилей или гибридных транспортных средств, но и бытовой электроники, такой как ноутбуки и смартфоны. Более того, успешное применение машинного обучения в исследованиях аккумуляторных батарей может послужить основой для разработки материалов в других областях, потенциально ускоряя внедрение инноваций в более широком спектре наук о материалах.
"Количество экспериментов можно сократить с помощью машинного обучения, что еще на один шаг приближает нас к ускорению и снижению стоимости разработки материалов. Кроме того, поскольку характеристики электродных материалов для Na-ионных аккумуляторов продолжают улучшаться, ожидается, что в будущем аккумуляторы большой емкости и длительного срока службы станут доступны по более низкой цене", - заключает Комаба.
Комментарии