Maschinelles Lernen zur Identifizierung vielversprechender Zusammensetzungen für Natrium-Ionen-Batterien
Zusammensetzung eines Multielement-Übergangsmetalloxids optimiert, um eine außergewöhnliche Energiedichte in Natrium-Ionen-Batterien zu erreichen
Die Energiespeicherung ist ein wesentlicher Bestandteil vieler schnell wachsender nachhaltiger Technologien, einschließlich Elektroautos und erneuerbarer Energieerzeugung. Obwohl Lithium-Ionen-Batterien (LIBs) den derzeitigen Markt dominieren, ist Lithium ein relativ knappes und teures Element, das sowohl wirtschaftliche als auch versorgungstechnische Probleme verursacht. Daher experimentieren Forscher auf der ganzen Welt mit neuen Batterietypen, die aus reichhaltigeren Materialien hergestellt werden.
Natrium-Ionen-Batterien (Na-Ionen-Batterien), die Natriumionen als Energieträger verwenden, stellen eine vielversprechende Alternative zu LIBs dar, da Natrium im Überfluss vorhanden ist, sie sicherer sind und potenziell kostengünstiger sein könnten. Insbesondere natriumhaltige Übergangsmetall-Schichtoxide (NaMeO2) sind leistungsstarke Materialien für die positive Elektrode von Na-Ionen-Batterien und bieten eine außergewöhnliche Energiedichte und Kapazität. Bei Multielement-Schichtoxiden, die aus mehreren Übergangsmetallen bestehen, ist die Suche nach der optimalen Zusammensetzung jedoch aufgrund der Vielzahl möglicher Kombinationen sowohl komplex als auch zeitaufwändig. Selbst geringfügige Änderungen bei der Auswahl und dem Verhältnis der Übergangsmetalle können zu deutlichen Veränderungen der Kristallmorphologie führen und die Batterieleistung beeinträchtigen.
In einer aktuellen Studie hat ein Forscherteam unter der Leitung von Professor Shinichi Komaba zusammen mit Saaya Sekine und Dr. Tomooki Hosaka von der Tokyo University of Science (TUS), Japan, und der Chalmers University of Technology sowie Professor Masanobu Nakayama vom Nagoya Institute of Technology maschinelles Lernen eingesetzt, um die Suche nach vielversprechenden Zusammensetzungen zu optimieren. Die Ergebnisse ihrer Studie wurden am 05. September 2024 mit unkorrigierten Korrekturfahnen eingereicht und nach dem Korrekturlesen am 06. November 2024 online im Journal of Materials Chemistry A veröffentlicht. Diese Forschungsstudie wurde von den Förderorganisationen JST-CREST, DX-GEM und JST-GteX unterstützt.
Das Team versuchte, das Screening der Elementzusammensetzungen in verschiedenen Materialien des Typs NaMeO2 O3 zu automatisieren. Zu diesem Zweck stellten sie zunächst eine Datenbank mit 100 Proben von Natrium-Halbzellen des O3-Typs mit 68 verschiedenen Zusammensetzungen zusammen, die im Laufe von 11 Jahren von Komabas Gruppe gesammelt wurden. "Die Datenbank enthielt die Zusammensetzung der NaMeO2-Proben, wobei Me unter anderem ein Übergangsmetall wie Mn, Ti, Zn, Ni, Zn, Fe und Sn ist, sowie die oberen und unteren Spannungsgrenzen der Lade-Entlade-Tests, die anfängliche Entladekapazität, die durchschnittliche Entladespannung und die Kapazitätserhaltung nach 20 Zyklen", erklärt Komaba.
Anhand dieser Datenbank trainierten die Forscher dann ein Modell, das mehrere Algorithmen des maschinellen Lernens sowie die Bayes'sche Optimierung für eine effiziente Suche nutzte. Ziel dieses Modells war es, herauszufinden, wie Eigenschaften wie Betriebsspannung, Kapazitätserhalt (Lebensdauer) und Energiedichte mit der Zusammensetzung von NaMeO2-Schichtoxiden zusammenhängen, und das optimale Verhältnis der Elemente vorherzusagen, das erforderlich ist, um ein gewünschtes Gleichgewicht zwischen diesen Eigenschaften zu erreichen.
Nach der Analyse der Ergebnisse stellte das Team fest, dass das Modell Na[Mn0,36Ni0,44Ti0,15Fe0,05]O2 als optimale Zusammensetzung vorhersagte, um die höchste Energiedichte zu erreichen, die eine der wichtigsten Eigenschaften von Elektrodenmaterialien ist. Um die Genauigkeit der Vorhersage des Modells zu überprüfen, synthetisierten sie Proben mit dieser Zusammensetzung und bauten Standard-Knopfzellen zusammen, um Lade-Entlade-Tests durchzuführen.
Die gemessenen Werte stimmten größtenteils mit den vorhergesagten Werten überein, was die Genauigkeit des Modells und sein Potenzial für die Erforschung neuer Batteriematerialien unterstreicht. "Der in unserer Studie etablierte Ansatz bietet eine effiziente Methode zur Identifizierung vielversprechender Zusammensetzungen aus einem breiten Spektrum potenzieller Kandidaten", bemerkt Komaba, "Außerdem lässt sich diese Methodik auf komplexere Materialsysteme, wie etwa quinäre Übergangsmetalloxide, ausweiten."
Der Einsatz von maschinellem Lernen zur Identifizierung vielversprechender Forschungsmöglichkeiten ist ein wachsender Trend in der Materialwissenschaft, da er den Wissenschaftlern helfen kann, die Anzahl der Experimente und die für das Screening neuer Materialien benötigte Zeit erheblich zu reduzieren. Die in dieser Studie vorgestellte Strategie könnte die Entwicklung von Batterien der nächsten Generation beschleunigen, die das Potenzial haben, die Energiespeichertechnologien auf breiter Front zu revolutionieren. Dazu gehören nicht nur die Erzeugung erneuerbarer Energien und Elektro- oder Hybridfahrzeuge, sondern auch Unterhaltungselektronik wie Laptops und Smartphones. Darüber hinaus können erfolgreiche Anwendungen des maschinellen Lernens in der Batterieforschung als Vorlage für die Materialentwicklung in anderen Bereichen dienen, was die Innovation in der gesamten Materialwissenschaft beschleunigen könnte.
"Die Anzahl der Experimente kann durch den Einsatz von maschinellem Lernen reduziert werden, was uns einen Schritt näher an die Beschleunigung und Senkung der Kosten der Materialentwicklung bringt. Da sich die Leistung von Elektrodenmaterialien für Na-Ionen-Batterien weiter verbessert, ist außerdem zu erwarten, dass in Zukunft Batterien mit hoher Kapazität und langer Lebensdauer zu geringeren Kosten erhältlich sein werden", schließt Komaba.
Hoffen wir, dass kommerziell nutzbare Natrium-Ionen-Batterien bald Realität werden!
---
Schon gewusst? Am 13. November findet der virtual battery day 2024 statt - das größte digitale Event rund um Batterietechnologie und elektrochemische Energiespeicherung! Jetzt mehr erfahren und kostenlos dabei sein: https://www.virtual-battery-day.com/was-sie-als-besucher-erwartet
Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.
Weitere News aus dem Ressort Wissenschaft
![[Fe]-Hydrogenase-Katalyse mittels Parawasserstoff-verstärkter Kernmagnetresonanzspektroskopie sichtbar gemacht](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
Holen Sie sich die Chemie-Branche in Ihren Posteingang
Ab sofort nichts mehr verpassen: Unser Newsletter für die chemische Industrie, Analytik, Labor und Prozess bringt Sie jeden Dienstag und Donnerstag auf den neuesten Stand. Aktuelle Branchen-News, Produkt-Highlights und Innovationen - kompakt und verständlich in Ihrem Posteingang. Von uns recherchiert, damit Sie es nicht tun müssen.
Meistgelesene News
Weitere News von unseren anderen Portalen
Verwandte Inhalte finden Sie in den Themenwelten
Themenwelt Batterietechnik
Die Themenwelt Batterietechnik bündelt relevantes Wissen in einzigartiger Weise. Hier finden Sie alles über Anbieter und deren Produkte, Webinare, Whitepaper, Kataloge und Broschüren.
Themenwelt Batterietechnik
Die Themenwelt Batterietechnik bündelt relevantes Wissen in einzigartiger Weise. Hier finden Sie alles über Anbieter und deren Produkte, Webinare, Whitepaper, Kataloge und Broschüren.
