网络知识 娱乐 新方法“机器学习”:可分析浆料涂覆对锂电电极制备的影响

新方法“机器学习”:可分析浆料涂覆对锂电电极制备的影响

第一作者:Mona Faraji Niri

通讯作者:Mona Faraji Niri

通讯单位:英国华威大学

【研究亮点】

制备工艺强烈影响锂离子电池的电化学性能,在涂覆过程中,电极浆料的流动是决定最终电极性能的关键,但这一点常常被忽视。英国华威大学Mona Faraji Niri团队利用浆料物理性质和流变特性对浆料结构进行了研究,探究了其对石墨阳极性能的影响。采用传统试错法来量化大量相互关联变量对电极的影响是一项非常困难的工作,因而该团队提出了一种可解释机器学习方法以及统计分析方法来进行研究。该分析基于实验室级别的实验数据集,共9个主因素和6个感兴趣变量,通过不同组合涵盖变量的实际范围。通过线性和非线性模型评估响应变量的可预测性,使用配套的技术增加模型透明性。虽然涂覆间隙被认为是所考虑到的响应中影响最大的因素,但该工作也将其他相对较弱的因素提取出来,强调了无量纲数可用于进行强有力的预测。给出了浆料粘度和表面张力对电极厚度、涂层重量和孔隙率的影响,说明了这些因素对电极质量提升的重要性。而在以前的工作中,这些变量很少被研究,这是因为通过试错法很难将其从一系列关联的因素中提取出来。该工作展示了基于模型的分析是如何克服上述困难的,为下一代锂离子电池的电极制造工艺优化铺平了道路。

【研究背景】

可充电锂离子电池能量密度、功率密度高,循环寿命较长,得到了研究人员的广泛关注。改进电极生产工艺对进一步降低成本和提高电池性能至关重要。电池电极的制造由多个阶段组成,这些阶段影响着电极的性质和锂电的最终性能。目前工业上电极制造是以浆料涂覆为基础的,包括几个阶段:材料的选择和配方的确定、混合材料和溶剂形成浆料、用浆料涂覆集流体、烘干电极去除溶剂、压制电极、切割电极、组装电池。

这些阶段包括影响中间产物性质和最终电池性能的各种变量和参数。监测这些性质和控制变量是得到所需电池性能的关键。然而,性能优化目前通过试错法完成,这使得时间和资金成本都很高。为降低成本,需要对这些变量对电池性能的影响进行预测。而因为变量之间的高度相关,所以无法对其单独进行研究。在过去的几年里,许多研究对电极制造中的变量和参数对电池性能的影响进行了研究。如讨论浆料混合过程对锂电电极电化学性能的影响等。然而,这些研究大多采用试错法。在一项报道中,采用人工智能方法对石墨电极进行了优化。然而,该研究基于有限的数据集,没有进行完整的实验设计。最近许多研究提出了量化电极制造变量对输出变量的影响,通过机器学习(ML)和先进的数据挖掘算法进行预测。与传统统计法或基于物理的模型不同,这些方法有处理大量相互关联的变量的潜力。前人研究了电极干燥、电解液填充过程变量,也讨论了压延过程变量的影响。人们根据电极结构和电化学特性,讨论了包括液固比、活性材料和涂覆间隙在内的电极涂覆变量。在另一项研究中,研究人员建立了一个ML模型,通过粘度和涂覆间隙来预测阴极性能。将硅电极介观结构特征输入到一个ML模型中,可以预测其日历性能。人们还研究了不同涂覆条件下半电池能量的可预测性,并综合分析了阴极和阳极结构特征的相对重要性。

【拟解决的关键问题】

涂布机中浆料的流动对涂布质量的影响是一个受关注较少的研究方向。这是一个包含粘弹性、粘滞毛细和颗粒效应的复杂问题。一些无量纲数,如毛细数可以用来表征流动。虽然可以比较容易的观察到无缺陷区,从而定义涂布窗口,但对于工艺变量和无量纲数,例如涂层厚度、涂层重量和孔隙度等如何影响涂层质量,人们还不太了解。涂层质量可以显著影响电极性能,因此了解这些是非常必要的。另一方面,现有的研究大多集中在因素之间的相关性,或响应变量的可预测性,仍然没有全面量化控制变量对响应的影响。而解耦电极特性与制备控制变量之间的关系是很困难的,因此,该工作提出结合浆料流变学、表面张力和数据挖掘技术来阐明电极制备过程中浆料流动的影响。

【研究思路剖析】

该工作介绍了一种清晰的系统化分析方法和基于模型展示的锂离子电池电极制备过程。量化了关键的涂覆控制变量对锂离子电池电极性能的影响,并揭示变量之间的联系。建立了一个可拓展到制造过程中其他领域的框架,这有助于构建锂电制造的数字化映射。主要创新点包括:1)利用先进的计量技术,方便获取电极涂覆过程中的关键控制变量;2)在模型中引入新的控制因素,如粘滞毛细效应;3)开发可解释的ML模型(XML),不仅可以在给定控制变量的情况下预测响应变量,还可以量化这些变量对响应的影响。在半导体生产等领域,XML模型目前已被应用在制备过程优化方面。但XML算法尚未全面应用于电池和电极制造优化方面,此为该工作的研究重点。

【图文简介】

图1. 电极和电池制造的主要工艺流程。

图2. 系统分析过程。

图3. 用于ALE计算的特征空间划分。

图4. 相对于数据点的残差图,(a)孔隙度,(b)容量。

图5. 实验(点)和线性回归建模结果:(a)湿涂层厚度,(b)容量,(c)孔隙度,(d)涂层密度。

图6. 预测和观测的分布,(a)容量,(b)涂层重量,(c)干厚度,(d)湿厚度,(e)孔隙度,(f)涂层密度。

图7. 预测相对观测数据点图,(a)容量,(b)涂层重量,(c)干厚度,(d)湿厚度,(e)孔隙度,(f)涂层密度。

图8. 总可变性,(a)涂层重量,(b)容量,(c)干厚度,(d)湿厚度,(e)孔隙度,(f)涂层密度。

图9. 总可变性,(a)涂层重量,(b)容量,(c)干厚度,(d)湿厚度,(e)孔隙度,(f)涂层密度。

图10. 混合和涂覆变量对电极涂层重量(kg/cm3)的一阶效应。

图11. 三种重量百分比下浆料的振荡流变学特性,扫频在应变0.5%条件下测试。

图12. 混合和涂覆变量对电极干厚度(um)的一阶局部累积效应。

图13. 混合和涂覆变量对电极孔隙度(%)的一级局部累积效应。

图14. 混合和涂覆变量对电极涂层重量(kg/cm3)的二阶效应。

图15. 混合和涂覆变量对电极干厚度(um)的二阶效应。

图16. 混合和涂覆变量对电极孔隙度(%)的二阶局部累积效应。

【结论】

本研究以锂离子电池电极浆料涂覆过程为研究对象,定量研究了物理性质对涂覆过程的影响。采用先进计量技术表征浆料,利用统计分析和可解释的机器学习技术揭示了输入和输出之间的联系。传统的统计分析是揭示线性联系的首选,而机器学习模型和可解释技术则是获取非线性关系的必要手段。结果表明,ML模型必须通过XML提供解释。该研究利用ML获得了可接受的预测精度,利用基于模型的分析可以预测产品的质量。该工作利用可解释ML,发现了粘度和表面张力对涂覆层的性能优化的重要影响,以及无量纲数对于响应的可预测性的重要性。该研究方法的高度可迁移性,使得研究从实验室向更大规模,特别是工业规模的过渡成为可能。

【文献信息】

Mona Faraji Niri, Carl Reynolds, Luis AA Román Ramírez. et al. Systematic analysis of the impact of slurry coating on manufacture of Li-ion battery electrodes via explainable machine learning. Energy Storage Materials. (2022).

https://doi.org/10.1016/j.ensm.2022.06.036