电力革命引发锂电池不断进步

今朝锂电池集众多紧要优势于一身，已经大受热捧。与其他类型的可充电电池相比，它们更轻，由于锂的活性很高，可以在原子键中储存大量能量。

然而，这些电池对一些行业来说是有问题的，特别是对科技和汽车公司，尤其是后者，如今的汽车行业正在寻求走向电气化的道路。关于许多消费设备来说，虽然它们的效率越来越高，但智能手机和其他形式的可穿戴设备依然要每1－2天充电一次。

一些有前景的电池技术包括锂－硫电池，这种电池对环境的影响比锂要小。美国研究人员已经能够开发出一种锂－硫电池，这种电池可以为智能手机供应最多5天的动力，它的性能优于锂电池，反过来，这种电池的制造成本也更低。

IBM的研究人员声称发现了一种新的电池化学物质，这种化学物质不含镍和钴等重金属，而且充电速度比锂离子快，而且具有更高的功率和能量密度。

此外，无线感应充电是另一个有趣的范畴，但能够从电磁波中获取能量是一个挑战。一组研究人员已经开发出一种惟有几个原子厚度的rectenna（无线电波收集天线），可以整合到设备中，这样就可以从Wi－Fi中获取交流电源，并将其转换成直流电笔直为设备供电。

这些只是正在研究或开发的技术范围和多样性的一个例子，但是锂电池依然无处不在，使用案例的数量还在持续上升。

所有的锂电池都会随着时间的推移而损耗，因此大量的研究都聚集在锂电池的管理上。

电池性能下降是一个复杂的精细的化学过程，每一个过程对电池的性能没有太大的影响，但合在一起会严重缩短电池的性能和寿命。

电池的寿命通常是在充电周期中规定的，其中一个周期是充电到一个特定的水平和充足放电到终止电压。倘若一个电池可以使用250次，你可以在电量低于使用寿命之前给它充电250次。

关于许多设备来说，很少会对这种循环等级进行测量，但是可以利用有关锂电池要怎么样工作知识的积累来更好地管理循环寿命。

例如，众所周知，充电到特定的电压将通过碳质阳极材料表面钝化（SEI）或电解液的氧化来影响电池的循环寿命，从而导致阴极钝化材料表面的电阻层积累。

高速充电也会对电池磨损出现影响，但研究声明，在充电过程中，恒压部分对电池的损害最大。然而，这些预测电池健康状况的办法忽略了许多可以声明电池健康状况的紧要特点。

今朝很多研究都聚集在跟踪电池内部发生的许多过程，为了实现这一目标，科学家们正在使用各种新技术来检测电池的工作状态。

电池的退化

一支国际科学家团队一直在研究导致锂电池电极电池退化的动态过程，并使用中子和x射线断层扫描来提高他们对相关过程的理解。

来自柏林亥姆霍茨－zentrum试验室和伦敦大学学院的研究小组正在使用一种数学办法，他们将电极以紧凑的圆柱体形式展开，观察电极表面的过程。

AlessandroTengattini是法国格勒诺布尔成像研究所的仪器科学家，他表示：这项研究紧要聚集在两个方面。我们想要提高效率水平，这样就可以开发出更耐用的电池，可以承受更多的充电周期，另一个问题是安全问题。全世界已经有很多锂电池着火爆炸或电池膨胀的案例。两者都存在严重的风险。

我们对电子设备的要求越来越高，所以我们要知道电池内部发生的微小波动。例如，在电池的特定区域，你可以看到高得多的耗竭率，可以观察到电池的断裂和损坏区域，这可能对安全出现重大影响。

虽然我不会说目前监测电池的办法不管用，但它们没有为我们供应足够的信息。

为了更好地知道电池的结构，研究人员已经能够使用两种互补的断层扫描办法的组合来观察充电和放电时的电极表面。

数据由hzbberii和InstitutLaue－Langevin（ILL）供应，然后在格勒诺布尔的欧洲同步辐射设施（ESRF）使用x射线断层摄影术。在那里，数据被用来分解电极的微结构和测试任何变形和不继续性。

Tengattini解释：在这一结构层面上的研究很少，所以通过中子断层扫描可以笔直观察锂离子的迁移情况，从而确定电解质在电池中的分布是要怎么样随时间变化的。

这种电子展开技术使我们能够分解电池内部，当它们被使用时，识别出几乎微米的微小波动。

NeXT－Grenoble试验室的仪器可以同时获取x射线和中子层析成像，这是Laue－Langevin研究所和Grenoble－Alpes大学合作开发的。

Tengattini：很难用x射线来分解锂，因为它是一种重量轻的元素，但是结合Laue－Langevin研究所（ILL）供应的高通量中子，我们今朝已经开始更多地知道在锂电池使用过程中起用途的电化学和机械性能。

当谈到锂电池时，其紧凑的设计通常是通过将电池电极的薄夹层缠绕成圆柱形来实现的这是因为电极要一个大的表面来促使高容量和快速充电。

这种数学办法使物理学家们几乎可以展开电池的电极因为电池的圆柱形绕组很难定量测试。

惟有通过数学分解和虚拟展开，才能得出有关绕组各个部分的过程的结论。算法最初是为展开纸莎草卷轴而设计的，但可以用来找出紧凑密集的缠绕电池究竟发生了什么因此缠绕电池的特点问题今朝可以研究了。

依据Tengattini的说法，这项研究得出了一些有趣的发现。

我们发现内部绕组的电化学活性与外部绕组完全不同。此外，电池的上部和下部表现得非常不同。

中子数据还显示了一些缺乏电解质的区域，这可能会严重限制各自电极部分的功能。它也可以声明，阳极并不是同样良好的负载和卸载与锂无处不在。

Tengattini的研究不仅在电池内部出现了加速和耗尽速度更快的小块区域，而且电池的部分区域也完全封闭了。

到目前为止，我们只对一小部分电池进行了这项研究。虽然我们已经观察到一些模式，但更具体的研究可能会提出更多电池失效的原由。我们依然要更好地理解一些元素。

尽管如此，这项研究将帮助我们制定详尽的策略，以改善绕线电池的设计。

Tengattini总结道：就像所有有限的资源相同，我们可以预期电力革命将导致锂电池对更少资源的更大需求。因此，为了满足这一需求，我们要更好地知道这些电池的核心有哪些，虽然我们开发的技术可能会导致对将来电池设计方式的修正，但今朝下结论还为时过早。尽管如此，这是向前迈出的紧要一步。

机器学习技术

当这组科学家一直在研究电池的物理结构时，来自剑桥和纽卡斯尔大学的科学家们设计了一种机器学习办法，他们声称这种办法可以预测电池的健康状况。

据参与研究的科学家称，该办法的准确度是目前行业标准的10倍。

这项技术的工作原理是向电池中发送电脉冲并测量其应和。然后通过机器学习算法对它们进行测量和解决，以预测电池的健康状况和寿命。这是一种非侵入性技术，是任何现有电池系统的简单附加组件。

来自剑桥卡文迪什试验室的阿尔法李博士解释：安全性和可靠性是最紧要的设计标准，因为我们开发的电池可以在一个小空间里储存大量的能量，他是这项研究的负责人之一。通过改进监测充放电的软件，并使用数据驱动软件来控制充电过程，我相信我们可以在电池性能上有很大的改善。

研究人员已经进行了超过20，000次的试验测量来训练模型，这是同类数据中最大的。紧要的是，该模型学会了要怎么样从无关的噪声中区分紧要的信号。

研究人员已经能够证明，机器学习模型可以被解释为有关电池退化物理机制的线索。这个模型可以告诉我们什么电信号是最多的

与老化相关，这反过来又使他们能够设计特定的试验来探究电池退化的原由和方式。

研究人员今朝使用他们的机器学习平台来知道不同电池化学物质的降解情况。他们还在开发最优的电池充电协议，通过机器学习供电，以实现快速充电和最小化退化。

随着新技术的出现和对更优质电池技术的需求，我们预测锂电池的健康状况和剩余使用寿命至关紧要。

据参与这些不同项目的科学家解释，这项工作将有助于开发更安全、更可靠的电池，用于各种新设备从电动车到各种消费电子产品。

也许电力革命真的有可能会把我们带向一个新时代

声明： 本站所发布文章部分图片和内容自于互联网，如有侵权请联系删除