论文部分内容阅读
锂离子电池具有能量密度高、功率密度高以及使用寿命长等优点,具有广泛的应用。而锂离子电池的能量密度以及功率密度的进一步提高可以通过增加电极涂层厚度以及加大放电速率实现,但同时可能导致锂离子电池的充放电过程变为扩散控制。为了降低锂离子在电极涂层中的扩散阻力,本文通过向电极涂层内引入大孔作为锂离子传输的快速通道,有效地分配孔隙在大孔和多孔材料内的分布,从而同时实现提高锂离子电池的能量密度和功率密度。针对于电极涂层多参数的优化问题,我们基于当锂离子电池电极上的多孔电极过程为电化学反应控制时,电极沿厚度方向上具有均匀的电化学反应速率分布,然后引入有效浓差阻力来综合表征大孔结构锂离子电池的性能;基于串并联模型、半解析解以及解析解三种方法,得到了三个具有不同适用范围的有效浓差阻力的计算公式;然后通过模拟的方法验证模型假设的正确性,并基于经验模型和解析解得到的电极涂层有效浓差阻力进行了大孔电极结构参数的优化;优化后的大孔结构在能量密度不变的情况下,电池放电过程的功率密度提升60%;随后,基于有效浓差阻力解析解我们进行了多级大孔结构电极结构参数和电池性能之间关系的分析。此外,在锂离子电池的建模过程中,多孔电极内锂离子的有效扩散系数通常通过经验方法确定,具有较大的局限性。为了有效的预测或者计算多孔电极内的有效扩散系数,我们提出了通过卷积神经网络进行多孔材料特征提取并进行有效扩散系数预测的方法。通过卷积神经网络进行多孔材料有效扩散系数的预测可以分为两部分:第一部分为,我们通过计算机生成27000张多孔材料的微观结构图片,然后联用Matlab和Comsol计算其真实的有效扩散系数;第二部分为:我们将27000个样本集分为三部分,24000个样本作为训练集,1500个样本作为验证集,1500个样本作为测试集,卷积神经网络的训练在单块NVIDIA K80 GPU上进行,卷积神经网络的超参数通过模拟实验确定,训练过程中出现的过拟合现象通过Dropout进行降低;训练后的卷积神经网络对测试集的预测精度达96.7%,表明卷积神经网络可以实现对多孔材料内有效扩散系数进行精准的预测。