当前位置: 材料牛 » 科技 » 南航申来法Science子刊:机器学习解码航空动力电池高镍正极材料

南航申来法Science子刊:机器学习解码航空动力电池高镍正极材料

【研究背景】

电动航空是全球航空业低碳转型、低空经济规模化发展的核心赛道,适配航空极端工况的动力电池,是电动飞机、eVTOL 等航空器商业化落地的核心底层支撑。相较车用电池,航空动力电池对能量密度、高倍率充放电、本质安全与长循环寿命有着极致协同的严苛要求,现有体系难以匹配其核心需求。高镍层状正极(Ni 含量≥90%)凭借高比容量、低成本的突出优势,是突破航空动力电池能量密度瓶颈、满足航空器长航时续航需求的核心材料,也是当前电动航空锂电体系研发的核心方向。然而,随着镍含量提升,材料在循环过程中会出现严重的Li/Ni混排、H2–H3相变诱导的各向异性应变、界面重构及氧释放等问题,导致容量和电压快速衰减。传统掺杂或包覆策略多依赖经验筛选,效率低且机理不清。因此,如何通过高效设计实现结构与界面稳定的协同优化,是当前高镍正极发展的关键挑战。

【研究简介】

南京航空航天大学申来法教授团队提出一种机器学习辅助的掺杂离子筛选策略,采用随机森林(RF)模型结合SHAP解释方法,对掺杂离子在“容量保持率”和“Li/Ni混排”两个关键指标上的作用进行定量预测。模型精准锁定了除传统Co3+外,非磁性的Al3+与Sn4+同样具有显著的正向调控作用。基于预测,团队利用竞争性掺杂机制,研发了表面Sn4+富集、体相Al3+均匀掺杂的“由外而内”结构高镍正极,实现了高达96.9%的200圈容量保持率,并显著抑制电压衰减。该工作提出了高镍正极结构设计的新范式,相关成果以“Machine learning–assisted discovery of outside-in structure Ni-rich cathode with high performance”为题发表于Science Advances,申来法教授为通讯作者。

【研究亮点】

1、通过RF+SHAP实现掺杂元素的高效筛选与机理解析,首次明确Al3+与Sn4+在抑制Li/Ni混排与提升循环稳定性中的关键作用,显著提高材料设计效率。

2、通过引入非磁性离子削弱Ni–O–Ni超交换作用,从磁学角度抑制Li/Ni混排,为高镍正极失效机制提供全新理解路径。

3、利用竞争性机制,设计表面Sn4+富集、体相A3+均匀掺杂的分级结构,实现“Sn稳表,Al护体”的协同调控,突破传统单一掺杂或表面包覆策略的局限。

【数据概览】

图1. 利用机器学习与理论计算对掺杂离子的预测与分析。

为高效筛选掺杂剂,团队构建候选离子数据库,采用随机森林(RF)模型结合SHAP分析,以容量保持率和Li/Ni混排度为标准预测,结果表明,Al3+与Sn4+可以达到Co3+的效果。DFT计算进一步证实,Al倾向体相、Sn倾向表面,二者的非磁性可削弱Ni–O–Ni超交换作用,抑制Li/Ni混排。

图2. 材料的晶体结构与元素分布表征。

XANES分析表明,NCAS中Ni氧化态有所升高,局域结构有序性增强。XPS深度剖析显示Sn在表面富集,Al分布相对均匀。STEM-HAADF图像揭示NCAS表面存在约1 nm的阳离子混合层,体相保持有序层状结构。EDS线扫进一步证实Sn在晶界处明显聚集,Al均匀分布于体相,验证了Al3+与Sn4+的竞争性掺杂机制。

图3. 电化学性能与动力学行为对比分析。

电化学测试表明,NCAS正极在2.8–4.3 V、1 C下循环200次容量保持率达96.9%,远优于NC的58.0%(100次循环);4.5 V高电压下仍保持 88.8%,高温存储后续循环保持95.5%。其与Si@C负极组装的1.5 Ah软包电池,0.33 C循环1000次容量保持 81.6%,库仑效率超99.9%。GITT和DRT分析表明,NCAS具有更快的Li+扩散动力学和更稳定的界面;DFT计算证实,Al/Sn掺杂降低了Li+迁移能垒,从而优化了倍率性能。

图4. 原位XRD揭示循环过程结构演化。

通过原位XRD追踪正极在首次充放电的结构演变。结果显示,NC充电时(003)峰最大位移 1.73°,c轴晶格收缩率7.72%,高电压区(4.3–4.5 V)出现明显H2-H3两相共存,发生剧烈各向异性晶格应变与不可逆相变。而NCAS的(003)峰位移仅1.14°,c轴收缩率降至4.39%,H2-H3相变无明显两相共存,呈连续平滑的峰位移动,相转变更可逆。综上,Al3+和Sn4+共掺杂有效抑制了高镍正极深度脱锂时的有害晶格畸变,显著增强体相结构稳定性。

图5. 气体释放与界面反应机制分析。

通过原位DEMS、XPS成像及TOF-SIMS分析发现,Al/Sn共掺杂有效抑制了正极界面副反应。NCAS的CO2释放量显著低于NC,且起始释放电位更高。循环后的NCAS表面F元素分布均匀且含量低,而NC表面F信号强且分布不均,TOF-SIMS显示NC中F贯穿体相,NCAS中F仅限表面。这表明Sn富集的表面层促进了薄而均匀的CEI膜形成,有效缓解了HF侵蚀和电解液分解,增强了界面稳定性。

图6. 循环后微观结构稳定性与裂纹演化。

通过FIB-SEM和HAADF-STEM分析发现,NC在循环后颗粒内部出现严重裂纹,表面完全岩盐相化,体相阳离子混排严重,应变分布极不均匀。而NCAS仅在表面形成约2–3 nm的阳离子混合层(与循环前保持一致),体相仍保持有序层状结构,应变分布均匀,裂纹轻微。表明Al3+/Sn4+共掺杂有效抑制了各向异性晶格应变积累和微裂纹产生,显著增强了高镍正极在长循环过程中的结构稳定性。

研究结论

本文提出了一种基于机器学习辅助的高镍正极材料设计策略,通过筛选引入Al3+和Sn4+,并利用竞争性机制构建“outside-in”结构,实现了界面与体相的协同稳定。Al3+均匀掺杂体相,而Sn4+在表面富集形成保护层,有效抑制Li/Ni混排、缓解H2–H3相变引起的各向异性应变,并显著提升界面稳定性。非磁性离子通过削弱超交换作用降低磁挫败,从根本上抑制结构无序化。最终实现200圈96.9%的容量保持率以及1000圈长循环,为高镍低钴正极设计提供了新的理论指导与技术路径。

文章信息

Guihong Mao, Ying Wang, Tengyu Yao, Xianlin Qu, Jieyu Yang, Zhenming Xu, Xiuwen Wang, Zijuan Ge, Yi Wang, Laifa Shen*. Machine-Learning-Assisted Discovery of Outside-in Structure Ni-Rich Cathode with High-Performance. Science Advances 2026, DOI: 10.1126/sciadv.adz8130

https://www.science.org/doi/10.1126/sciadv.adz8130
未经允许不得转载:材料牛 » 南航申来法Science子刊:机器学习解码航空动力电池高镍正极材料

相关文章

评论 (0)