【顶刊综述】徐弘毅，朱俊儿等AEM综述：锂电池电极非均质微观结构设计：显微成像，预测建模，以及机器学习- 大数跨境

首页

【顶刊综述】徐弘毅，朱俊儿等AEM综述：锂电池电极非均质微观结构设计：显微成像，预测建模，以及机器学习

科学材料站

2021-04-14

导读：该文章总结了锂离子电池电极材料微观结构显微成像，微观结构统计表征与重构，材料性能建模预测，机器学习和计算设计，同时讨论了电池材料设计的未来发展方向。

文章信息

锂电池电极非均质微观结构设计：显微成像，预测建模，以及机器学习

第一作者：徐弘毅

通讯作者：徐弘毅*，Paul Shearing*，Martin Z. Bazant*

单位：美国康涅狄格大学，英国伦敦大学学院，美国麻省理工学院

研究背景

尽管近年来锂离子电池技术取得了长足的进步，但在能量密度，耐用性，安全性和成本方面仍存在重大挑战。以往的研究工作主要集中在两个方面。

其一是开发新的电化学方法和材料体系以获得现有材料不具有的性能；其二是研究与预测材料微观结构与电化学和机械性的关系与内在机理。随机微观结构的量化研究对于预测材料性能和指导材料合成至关重要。

此外，对微观结构形态进行计算设计也被认为是提高锂离子电池电化学和机械性能的可行方法。

文章简介

基于此，康涅狄格大学的徐弘毅助理教授课题组，麻省理工学院化学工程系的Martin Z. Bazant教授课题组、机械工程系的朱俊儿博士，美国国家可再生能源实验室的Donal P. Finegan博士，英国伦敦大学学院的Paul Shearing教授课题组，意大利比萨大学的Antonio Bertei助理教授等人合作，在国际知名期刊Advanced Energy Materials上发表题为“Guiding the design of heterogeneous electrode microstructures for Li-ion batteries: microscopic imaging, predictive modeling, and machine learning”的综述文章。

该文章总结了锂离子电池电极材料微观结构显微成像，微观结构统计表征与重构，材料性能建模预测，机器学习和计算设计，同时讨论了电池材料设计的未来发展方向。

图1. 锂离子电池电极材料微观结构设计流程：图像数据采集，微观结构关键特征识别与数字化重构，材料性能预测，以及计算设计优化。

本文要点

要点一：锂电池材料微观结构成像

获取精确的锂离子电池电极材料微观结构图像信息是材料性能预测与设计的关键第一步。本文我们将讨论的重点放在同步加速器和基于实验室的两种技术上。

这些技术可用于观察和测量复杂非均匀介质的化学、机械和晶体学信息，并指导我们克服那些由传统的基于简化假设（例如化学均匀性）常规模型所带来的局限性。

本文总结了与以下关键问题相关的微观成像技术的最新进展，包括锂离子在固体材料中的传输，电极材料的晶体学和化学特性在时域和空间域中的变化，以及非均质化学动力学如何影响应变场并导致电极材料性能退化。

要点二：微观结构统计表征以及数字化重构

尽管基于断层扫描数据的微观结构建模技术具有较高的准确度，但是这一类模型局限于现实可用的材料样本。基于微观结构统计表征和重建（microstructure statistical characterization and stochastic reconstruction, MCR）的建模技术可以克服现有样本集的限制，生成多样化的，新颖的微观结构设计。

MCR提供（i）随机微观结构的定量表征，这些量化参数可以作为随机微观结构的设计变量；（ii）2D或3D微观结构的数字化重构，这些重构数据可以被转换为用于材料特性预测的数值模型。通过生成虚拟微观结构设计，我们可以探究微观结构与材料性能之间的关系。

本文首先回顾了现有的电极材料微观结构建模的方法，并介绍了几种在其他材料领域得到成功运用，并且将来会对电极材料建模带来助益的方法。

要点三：基于材料微观结构的材料性质预测

无论是直接基于断层扫描数据的微观结构还是间接通过统计表征和重建的模型，都可以为电极的多物理场模拟提供必要的输入。

目前常用的宏观均质化模型往往通过体积平均的方法确定重要参数，因而不可避免地忽略了电化学、力学以及微观结构之间的复杂互相作用。然而目前不少研究表明微观结构的非均质性对电池性能具有重大影响。因此，基于材料微观结构的物理模型对材料的性能预测、结构设计以及健康诊断非常重要。

本文对基于微观结构的物理模型如何预测电极的有效传输性质，电化学性质，以及力学性质三个方面进行了总结。

要点四：电极材料微观结构的计算设计

要点二提供了微观结构设计变量，要点三提供了微观结构设计性能预测的手段。这里我们将之前介绍的建模仿真方法与计算设计的方法相结合，这样就可以建立设计新型微观结构的流程。

我们首先回顾了文献中基于参数优化以及机器学习方法的电极微观结构设计的工作，之后总结了现有方法的缺点，并且介绍了计算材料科学领域中基于深度学习的最新微观结构分析及设计方法。

要点五：总结与前瞻

依照计算设计的一般流程，本文总结了在数据收集，电极材料微观结构统计表征和数字化重构，电化学和机械性能预测，以及微结构设计领域中的重要的成果。

这些研究都阐述了微观结构非均质性对电池性能的重要影响。同时我们也对微观结构图像数据搜集，多物理场建模，以及基于机器学习和深度学习的材料设计这三个重要领域进行了展望。

文章链接

Guiding the design of heterogeneous electrode microstructures for Li-ion batteries: microscopic imaging, predictive modeling, and machine learning

https://onlinelibrary.wiley.com/doi/10.1002/aenm.202003908

通讯作者介绍

徐弘毅助理教授。

康涅狄格大学机械工程系助理教授。研究方向包括材料微观结构建模与设计，基于机器学习的计算设计，以及不确定性量化。2014年在美国西北大学获得博士学位，2014至2019年就职于美国福特汽车科研及先进工程技术中心。2019年起就职于康涅狄格大学。

Paul Shearing 教授。

伦敦大学学院化学工程教授，皇家工程学院新兴电池技主席。他的研究方向涵盖了各类与电化学相关的课题，尤其是能源材料的性能与微观构之间关系的研究。他与他人共同领导伦敦大学学院电化学创新实验室，并领导UK STFC Global Challenge Network in Batteries and Electrochemical Devices。Shearing教授是英国法拉第学会（Faraday Institution）的创始研究员，他在其中担任培训和多样性小组的负责人，并担任LiSTAR计划的负责人。

Martin Z. Bazant 教授。

麻省理工学院化学工程及数学E. G. Roos（1944）教授。1997年于哈佛大学物理专业获博士学位。于2000年加入麻省理工学院数学系，并于2008年加入化学工程系。2016年至2020年期间担任化学工程系executive officer。他的奖项包括Alexander Kuznetsov Prize in Theoretical Electrochemistry (ISE), Andreas Acrivos Award for Professional Progress in Chemical Engineering (AIChE) 以及MITx Prize for Teaching and Learning in MOOCs。他还担任过北美Saint Gobain Research的首席科学顾问。