发现高能钠离子电池成分，机器学习简化最佳材料搜索过程

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

编辑 | KX

锂离子电池（LIB）在电子产品领域占据主导地位，但锂资源稀缺且价格高昂。钠离子电池（SIB）因其钠资源丰富、成本低廉、安全性高等优势，有望成为LIB的理想替代品。其中，钠过渡金属层状氧化物（NaMeO2）作为SIB正极材料，展现出优异的能量密度和容量潜力。

然而，多元素层状氧化物的成分组合数量巨大，寻找最佳成分组合是一项复杂且耗时的任务。即使是微小的成分变化，也会显著影响材料的晶体结构及电池性能。

东京理科大学（TUS）和名古屋工业大学的研究团队近期利用机器学习技术，简化了最佳钠离子电池材料的筛选过程。

研究人员利用实验数据训练机器学习模型，预测高能量密度钠离子电池过渡金属层状氧化物的最佳成分。该模型预测了一种新型四元Na[Ni,Mn,Fe,Ti]O2材料，并成功合成了Na[Mn_0.36Ni_0.44Ti_0.15Fe_0.05]O₂，其能量密度高达549 Wh/kg，与模型预测结果高度吻合。该研究成果已发表于《Journal of Materials Chemistry A》。

钠离子电池：锂离子电池的潜在替代者

尽管LIB因其高能量密度而备受推崇，但锂资源储量有限且分布不均。因此，成本低廉且储量丰富的钠离子电池备受关注，有望成为下一代电池技术。

含钠过渡金属层状氧化物作为SIB正极材料的研究始于20世纪70年代，其晶体结构受合成条件和钠含量影响显著，主要结构形式为O3型和P2型。其中，O3型结构因其高钠含量而成为高容量钠离子全电池的关键材料。

材料成分对电化学性能的影响至关重要。过渡金属种类及比例直接影响材料的形貌、容量、循环性能和倍率性能。因此，成分优化成为钠层状氧化物研究的重点。针对多元素层状氧化物海量的潜在成分组合，高效的成分优化方法对于开发高能量密度、长循环寿命的正极材料至关重要。

AI赋能：加速钠离子电池材料研发

研究团队构建了一个包含100个O3型钠半电池样品（68种不同成分）的数据库，这些数据由东京理科大学Komaba团队历时11年积累。该数据库包含NaMeO2样品的成分信息（Me代表过渡金属，如Mn、Ti、Zn、Ni、Fe、Sn等），以及充放电测试数据（电压范围、初始放电容量、平均放电电压和20次循环后的容量保持率）。

研究人员利用该数据库训练了一个机器学习模型，该模型结合了多种机器学习算法和贝叶斯优化技术，旨在揭示材料特性（工作电压、容量保持率、能量密度等）与NaMeO2层状氧化物成分之间的关联，并预测最佳元素比例组合。

Pixso AI

Pixso AI是一款智能生成设计稿工具，通过AI一键实现文本输入到设计稿生成。

下载

多目标优化搜索算法最终筛选出205种有潜力的组合物，其正极能量密度分布在535-563 Wh/kg之间，容量保持率在92.3-93.7%之间。高能量密度组合物富含镍（约40%），而高容量保持率组合物富含锰（约60%）。研究人员选择预测能量密度最高的组合物NaMn_0.3413Ni_0.4488Ti_0.1648Fe_0.04512O₂(MNTF)进行实验验证。

实验结果显示，模型预测的Na[Mn_0.36Ni_0.44Ti_0.15Fe_0.05]O₂具有最高的能量密度。为验证模型的准确性，研究团队合成了该材料并进行了充放电测试。

恒流充放电测试结果显示，MNTF的首次放电容量为169 mA h/g，平均放电电压为3.22 V，与预测值（172 mA h/g和3.27 V）基本一致。然而，20次循环后的容量保持率为83.0%，低于预测值（92.3%）。这种容量衰减可能与充放电过程中的相变和颗粒破碎有关。因此，未来的模型需要考虑结构变化和颗粒形貌的影响，以提高预测精度。

MNTF的能量密度在2.0-4.2 V电压范围内显著高于以往报道的O3型NaMeO2材料，证明了该方法的有效性。

Komaba教授总结道，该方法可以有效筛选潜在候选材料，并可扩展至更复杂的材料体系，例如五元过渡金属氧化物。

机器学习：加速材料科学创新

机器学习在材料科学领域的应用日益广泛，它可以显著减少新材料筛选所需的时间和实验次数。该研究为下一代电池的开发提供了新的思路，并有望推动整个能源存储技术的进步。 其应用价值更远不止于电池领域，为其他材料开发提供了范例，有望加速整个材料科学领域的创新步伐。

参考内容：https://www.php.cn/link/60ad0ddf6788af6c96d80d44f0f0ccf5