西安交通大学宁晓辉课题组EnSM：机器学习加速设计液态金属电池电极材料

▲第一作者：周涵

通讯作者：宁晓辉教授

通讯单位：西安交通大学金属材料强度国家重点实验室材料创新中心（CAID）

论文DOI：

https://doi.org/10.1016/j.ensm.2022.12.047

全文速览

近年来，液态金属电池多元合金化电极逐渐成为研究热点，因为其具有较高的能量密度、较好的倍率性能和循环性能。然而通过传统方法设计更多组元（≥四元）的合金电极，需要大量时间和成本，存在一定的局限性。因此，本文提出基于实验验证的循环设计方法，建立了首个液态金属电池数据集，并设计了适用于预测其性能的41种不同特征，通过机器学习预测所有潜在电极的熔点、放电电压、放电能量和能量密度，最终快速筛选了具有综合优异性能的Li||Sb-Bi-Sn-Pb液态金属电池，实际的预测误差为0.17%-7.38%。

背景介绍

近些年来，为了深入贯彻落实“四个革命、一个合作”能源安全新战略，以及实现“碳达峰、碳中和”战略目标，国家加快推动新型储能高质量规模化发展并构建新型电力系统。其中，在2022年发布的《“十四五”新型储能发展实施方案》中，新兴的液态金属电池（LMB）首次被列入储能技术重点方向名单。液态金属电池是以液态金属和熔盐分别作为电极和电解质，具有成本低、长寿命、容量易放大、高功率密度和高安全性的优势，在储能领域具有广阔的应用前景。为得到综合性能优良的电池，电极材料的探索从单组元发展到多组元合金化，如Li || Bi、Li || Sb、Li || Sb-Sn、Li || Sb-Bi及Li || Sb-Bi-Sn等。多元合金化电极能有效降低电池运行温度和成本，提高电池放电电压、能量密度和倍率性能，但如何设计更多组元（≥四元）的高比能电极面临许多问题，例如，如何合理设计各个组元的摩尔比，综合评判不同摩尔比对电池性能及成本的影响等，仍然需要进一步研究和探索。

本文亮点

（1）提出基于实验验证的循环设计方法，通过每一次循环的实验反馈，来有效地对预测模型进行纠正，从而避免模型过拟合或数据泄露等问题，还可以扩充原始数据，为模型预测提供充足的训练数据来达到更佳的预测效果。

（2）利用多性能指标的预测，全方位设计了具有综合优异性能的电极材料。本文预测了所有潜在的Sb-Bi-Sn-Pb四元合金正极的熔点、放电电压、放电能量和能量密度等四个性能指标，并通过特定的条件约束，人为地筛选出具有低成本、高能量密度、高库伦效率和高能量效率的电池。

（3）建立了高质量的液态金属电池数据库，其中合理设计了适用于预测液态金属电池的41种有效特征，从而显著提高了模型的预测能力，实际的预测误差在0.17%-7.38%，为未来以数据驱动为主导的液态金属电池电极设计奠定了基础。

图文解析

▲图1：（a）液态金属电池电极设计的工作流程；（b）电极的循环设计思路和组成；

图1a展示了整个电极设计的工作流程，它由两个主要部分组成：循环设计和条件约束。将建立好的两个初始的数据集输入至循环设计中，输出所有潜在的电极材料，随后通过条件约束，人为地筛选出具有高比能的新型液态金属电池电极材料。因此，使用循环设计来探索潜在的电极对于最终获得新型电极材料是至关重要的。循环设计的思路和组成在图1b中显示，包括一个主循环和一个次循环，其主要成分如下：(i) 由特征和目标性能描述的初始数据集，在每一次主循环中不断扩充；（ii）选择和创造适用于液态金属电池预测的特征；（iii）数据预处理，包括填补缺失数据、处理噪声和离群数据；（iv）通过回归器模型学习特征-性能关系与模型评估指标；(v) 对各项性能指标进行全局预测，以此来设计未开发的候选合金电极；(vi) 快速的实验验证和对原始数据集的反馈及扩充，其中，实验验证失败的可能性促使我们设计了次循环，即重新选择一个回归器模型。这种基于实验验证的循环设计方法，不仅可以有效地通过实验结果对预测模型进行纠正，从而避免模型过拟合或数据泄露等问题，还可以扩充原始数据（如图2），为模型预测提供充足的训练数据来达到更佳的预测效果。

▲图2 数据扩充流程图。循环设计实现了数据集的扩充，并选择了适当的算法。用于预测电化学性能的数据集从814个扩展到1262个，然后再到2158个，而算法则从LNN到RF再到XGBoost进行选择。

本文预测了所有潜在的Sb-Bi-Sn-Pb四元合金正极的熔点、放电电压、放电能量和能量密度等四个性能指标，其模型训练结果如图3所示，以决定系数（R²），平均绝对误差（MAE）和平均绝对百分比误差（MAPE）作为模型评估指标。所有模型的基准测试结果较好，其中R²均在0.97以上，MAPE保持在9%以内，显示出模型良好的预测能力。

▲图3 多元合金电极的（a）熔点、（b）放电电压、（c）放电能量和（d）能量密度预测模型。

最终预测和筛选出的Li||Sb₂₀Bi₆₀Sn₁₀Pb₁₀和Li||Sb₅₀Bi₃₀Sn₁₀Pb₁₀液态金属电池具有综合优异的性能，并通过0.5 Ah 级别液态金属电池进行测试验证，如图4所示。Li||Sb₂₀Bi₆₀Sn₁₀Pb₁₀电池在500℃运行温度下以100 mA/cm²稳定运行150循环，平均放电容量为0.47 Ah，库伦效率为99%，能量效率为87%，放电能量可达0.28Wh，即使在大电流密度下（1000 mA/cm²），其能量效率也接近60%，具有优异的电化学性能。而Li||Sb₅₀Bi₃₀Sn₁₀Pb₁₀电池则具有最高的能量密度（~280 Wh/kg）和最低的成本（~70 $/kWh），其库伦效率为98%，且在大电流密度下（1000 mA/cm²），其容量保持率依旧高达90%。

▲图4 Li||Sb₂₀Bi₆₀Sn₁₀Pb₁₀电池在（a）100 mA/cm²电流密度下的循环性能曲线和（b）不同倍率下的充放电曲线；Li||Sb₅₀Bi₃₀Sn₁₀Pb₁₀电池在（c）100 mA/cm²电流密度下的循环性能曲线和（d）不同倍率下的充放电曲线；

总结与展望

本工作提出一种基于实验验证的循环设计方法，以加速设计具有最佳电化学性能的新型液态金属电池合金电极。在每一次循环中，我们不断扩充并逐渐开发了一个高质量的液态金属电池数据集，其中设计了41种不同特征作为有效的输入参数，并选择适当的机器学习算法来准确预测熔点、放电电压、放电能量和能量密度。预测值与实验值具有很好的一致性，且预测模型有很高的可解释性。最终设计的Li||Sb-Bi-Sn-Pb液态金属电池，具有低熔点（<500℃）、高库仑效率（~99%）、高能量效率（~87%）、高能量密度（~280 Wh /kg）和低度电成本（~70 $/kWh），是一种极具吸引力的储能候选技术。我们的工作表明，机器学习方法在加速液态金属电池的多元合金电极设计方面超越了传统电极设计的局限性，从而表现出巨大的潜力，同时也为多元合金化电极的设计提供了新的思路。

原文链接：

https://doi.org/10.1016/j.ensm.2022.12.047

作者介绍

宁晓辉教授现任西安交通大学材料科学与工程学院教授，博士生导师，2003年和2006年获得湖南大学应用化学学士和硕士学位，2011年1月获得北京科技大学工学博士学位。2012年至2013年在美国麻省理工学院进行博士后研究，师从Donald Sadoway教授。2021年入选西安交通大学第九批“王宽诚青年学者”。主要研究方向为：新型电力储能材料及器件研究，目前以第一/通讯作者在Nano Energy，Energy Storage Materials，J. Power Sources, JMCA等国际一流期刊上发表文章40余篇，并以第一发明人获得国家发明专利授权10余项，主持包括国家重点研发计划“智能电网技术与装备”重点专项（课题负责人）、国家自然科学基金委-国家电网公司智能电网联合基金重点项目（课题负责人）、重大校企横向课题、国家自然科学基金面上、青年项目在内的10余项科研课题。

个人主页：

https://gr.xjtu.edu.cn/web/xiaohuining/home

相

关

推

荐

1. 仪器表征基础知识汇总

2. SCI论文写作专题汇总

3. Origin/3D绘图等科学可视化汇总

更多科研作图、软件使用、表征分析、SCI 写作、名师介绍等干货知识请进入后台自主查询。