​西交邓俊楷EnSM：通过深度学习方法设计固体电解质层间纳米结构实现锂金属负极的机械耐久性

• z, 顶刊 • 阅读 33
​西交邓俊楷EnSM：通过深度学习方法设计固体电解质层间纳米结构实现锂金属负极的机械耐久性
由于锂枝晶的生长，锂金属负极（LMA）面临着重大的安全挑战。固体电解质界面（SEI）在抑制枝晶生长方面起着至关重要的作用。SEI存在由嵌入的晶体颗粒(CP)组成的纳米结构，这些CP的分布严重影响锂金属负极的机械耐久性，从而影响锂枝晶的生长。因此，建立SEI 纳米结构与其机械耐久性之间的相关性对于设计具有高安全性能的SEI至关重要。
​西交邓俊楷EnSM：通过深度学习方法设计固体电解质层间纳米结构实现锂金属负极的机械耐久性
在此，西安交通大学邓俊楷团队提出了一种卷积神经网络(CNN)学习模型，基于实验观察冷冻电镜图像得到一个高通量有限元方法(FEM)数据集。CNN模型能够准确预测SEI结构的机械失效时间(FT)。
此外，作者采用逆向蒙特卡罗(RMC)方法结合CNN模型探索具有较长FT的结构，最终确定了具有均匀排列CP的优化结构。此外，Ablation-CAM技术强调了CP分布在失效中的关键作用。
​西交邓俊楷EnSM：通过深度学习方法设计固体电解质层间纳米结构实现锂金属负极的机械耐久性
图1. 数据集构建实例和 CNN 模型性能
总之，该工作利用提出的CNN模型建立了CP分布与SEI的FT之间的相关性。CNN模型表现出了良好的预测性能，在测试数据集上达到了0.861的高R2值。对比分析表明，将RMC方法与CNN模型耦合得到的OD结构具有一致的CP。与RD结构110.24 s的FT相比，其FT显著增加了9倍以上。
此外，设计的PD结构显示了超过RD结构126倍的FT。因此，该工作为SEI的结构设计提供了有价值的指导，为提高LMA的机械耐久性提供了有前景的解决方案。
​西交邓俊楷EnSM：通过深度学习方法设计固体电解质层间纳米结构实现锂金属负极的机械耐久性
图2. RD、OD 和 PD 的 Ablation-CAM 和 FEM 结果
Design of Nanostructure in Solid Electrolyte Interphase for Enhancing the Mechanical Durability of Lithium Metal Anode by Deep-Learning Approach, Energy Storage Materials 2023 DOI: 10.1016/j.ensm.2023.103096

原创文章，作者：wdl，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2024/01/17/d927c46c28/

赞 (0)
0

相关推荐