社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

南京航空航天大学「国家高层次人才」申来法Science子刊 | 机器学习辅助发现高性能的外向内结构富镍正极!

微算云平台 • 6 月前 • 323 次点击  
图片
【做计算 找华算】华算科技预存增值高至30%,送¥8500+返利!Nature/Science课题组长期合作,全年科研无忧,快来抢占!
劲爆低价!DFT计算5折开抢!催化/电池/半导体计算全覆盖,服务至审稿意见结束!
随着电动汽车和大型储能设备市场的迅速扩张,对锂离子电池的能量密度、成本及可持续性提出了更高要求。高镍层状氧化物(镍含量≥90 mol%)因其高比容量和较低的成本,被视为最具前景的正极材料候选者之一。然而,高镍正极在循环过程中面临严重的结构与界面退化问题,主要表现为由各向异性晶格应变引发的微裂纹、不可逆的H2-H3相变导致的电压衰减,以及正极/电解液界面副反应引起的容量下降。
传统上,为了抑制这些退化,通常依赖具有磁性的Co元素来稳定结构,但钴资源稀缺且价格波动剧烈,降低或去除钴已成为产业界和学术界的共识。如何在“低钴/无钴”条件下通过离子掺杂来有效抑制锂镍混排并稳定体相/界面结构,是该领域的核心挑战。
图1 基于机器学习的掺杂离子筛选逻辑与物理机制验证
南京航空航天大学申来法教授团队通过一种机器学习方法(随机森林模型结合SHAP分析),从大量文献数据中预测并筛选出Al³⁺和Sn⁴⁺作为高性能高镍正极(LiNi₀.₉₃Co₀.₀₇O₂)的理想共掺杂离子。研究发现,非磁性的Al³⁺和Sn⁴⁺通过一种竞争性掺杂机制,自发形成了独特的“由外至内”结构:Sn⁴⁺倾向于在表面富集形成Sn-rich岩盐界面层,而Al³⁺ 则均匀掺杂进入体相晶格。
这种结构设计有效缓解了磁性阻挫引起的Li/Ni阳离子混排,抑制了H2/H3相共存导致的有害晶格应变,并显著提升了正极/电解液界面稳定性。电化学测试表明,改性后的NCAS正极在4.3 V下循环200周后容量保持率高达96.9%,电压衰减极小,且在软包全电池中展现出优异的实际应用潜力。
图2 Al³⁺/Sn⁴⁺共掺杂正极材料NCAS的合成过程与精细结构表征
该项工作报道了一种机器学习辅助的掺杂剂筛选策略,成功将Al³⁺和Sn⁴⁺引入高镍低钴正极LiNi₀.₉₃Co₀.₀₇O₂中,构筑了具有高结构稳定性的NCAS正极材料。通过多尺度原位/非原位表征与理论计算相结合,阐明了其性能增强机制:竞争性掺杂机制驱动Al³⁺均匀固溶于体相以抑制晶格畸变,同时促使Sn⁴⁺偏聚于表面形成致密、富锡的界面重构层。
非磁性离子的引入显著削弱了Ni-O-Ni的超交换作用,缓解了磁性阻挫驱动的Li/Ni混排,从而实现了对体相疲劳开裂和界面副反应的双重抑制。该策略不仅为高电压、高温工况下高镍正极的内外结构调控提供了新思路,也为先进储能系统的理性设计开辟了数据驱动的新途径。
Guihong Mao et al., Machine learning–assisted discovery of outside-in structure Ni-rich cathode with high performance. Sci. Adv.12, eadz8130(2026). DOI:10.1126/sciadv.adz8130 
图片
👉 点击阅读原文,立即下单!

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/195441