通过深度学习方法设计具有高机械耐久性的固态电解质界面膜纳米结构

【研究背景】

锂金属负极具有高达3860 mAh/g的理论容量，远高于商用石墨负极材料，被认为是新一代电化学储能电极材料，极具发展潜力。然而，在循环过程中，锂金属表面的固态电解质界面（SEI）膜的反复机械失效-再生过程引发了不可控的锂枝晶生长，带来了严重的循环稳定性与安全性问题，阻碍了锂金属负极的实际应用。因此，深入研究SEI膜的机械耐久性，抑制SEI膜的机械失效，对于优化锂金属负极的循环稳定性与安全性至关重要。已有实验表明，SEI膜的微结构为晶体颗粒随机分布于非晶结构基体中，其位置分布对SEI膜的机械耐久性有着显著的影响。因此，建立SEI膜微结构-机械耐久性的映射关系，对于设计SEI膜微结构以提升其机械耐久性具有重要意义。然而，晶态颗粒在SEI膜内具有无限多的可能分布，基于传统的实验或模拟计算的手段难以建立结构-机械耐久性的关系。

【工作介绍】

针对上述挑战，西安交通大学邓俊楷教授课题组利用深度学习技术对锂金属负极SEI膜微结构-机械耐久性的映射关系进行研究。首先，通过有限元高通量计算，随机建立SEI膜微结构与其机械失效时间的对应数据集，并使用卷积神经网络进行训练，建立了二者的对应关系。随后，利用逆向蒙特卡洛与卷积神经网络相结合的方法对SEI膜微结构进行优化，设计出晶态颗粒均匀排列的SEI膜微结构，并理论验证该微结构具有优异的机械耐久性。最后，该工作基于类激活映射图技术以及进一步的有限元计算，识别了决定SEI膜机械耐久性的关键结构特征以及深层物理机理。本项研究成果近期发表在学术期刊《储能材料》（Energy Storage Materials，影响因子IF= 20.4）上。西安交通大学材料学院硕士研究生陈圣捷为本文第一作者。

【内容表述】

卷积神经网络（CNN）凭借其强大的图像识别和处理能力，已被广泛应用于计算材料科学领域，可以很好地识别SEI微结构图像，并提取其关键信息。因此，作者使用CNN模型建立SEI的结构-性能关系，并帮助优化其结构，以提高电池的机械耐久性。

图1 基于深度学习算法设计SEI膜微结构的流程图

1. 基于CNN模型预测SEI膜的机械失效时间（FT）

作者基于冷冻电镜拍摄的锂金属负极中SEI膜的微结构图像，利用SEI膜中呈现的晶态颗粒（CP）随机分布在非晶基体中的微结构特征，使用COMSOL软件开展了电-力耦合的有限元建模和高通量计算，建立了SEI膜微结构与其机械失效时间FT的对应数据集。相较于其他机器学习模型，基于ResNet18进行迁移学习得到的CNN模型在该数据集上取得了良好的表现，训练后的CNN模型可以根据SEI膜微结构准确预测出其FT。

图2 数据集中SEI微结构图像实例及训练后的CNN模型性能

2. 基于CNN模型与逆向蒙特卡罗（RMC）算法优化SEI膜微结构

作者基于遗传算法的思想，利用RMC与CNN模型相结合的方法对随机构建的SEI膜微结构进行优化，在优化迭代的过程中，设计出CP均匀排列的SEI膜微结构，并基于有限元模型验证该微结构具有优异的机械耐久性。有限元计算的结果显示，相较于CP随机分布（RD）的SEI膜，经过优化后的优化分布（OD）结构的FT提升了接近10倍。进一步优化设计的CP均匀排列的完美分布（PD）结构的FT相较于RD结构提升了100倍以上。

图3 通过RMC算法优化SEI膜微结构过程及典型结构的比较

3. 提取引发SEI膜机械失效的关键特征并分析失效机理

作者利用类激活映射图（CAM）技术，发现CP团簇是诱发SEI膜机械失效的关键特征。进一步的有限元计算结果显示，具有CP团簇的RD结构中，SEI膜内局域的电流密度分布不均匀，这导致了应力集中现象，降低了SEI膜的机械耐久性。而在不具有CP团簇的OD及PD结构中，SEI膜内电流密度分布较为均匀，不存在应力集中现象。

图4 Ablation-CAM特征提取及有限元计算结果

进一步的有限元计算结果显示，SEI膜内具有CP团簇的RD结构在更久的服役过程后，存在着大面积的机械失效，锂金属的表面出现了明显的空穴与凸起，可能诱导锂枝晶的生长。在OD结构中，相同服役时间下，机械失效的面积更小，锂金属表面更加平整。而PD结构在长达8000s的锂沉积过程中，均未出现机械失效的现象，且锂金属表面形貌均匀。结果表明均匀排列的CP可以显著抑制SEI膜的机械失效以及锂枝晶的生长。

图5 三种典型SEI膜结构在长时间锂沉积下的失效面积与锂金属形貌

【结论】

综上所示，作者采用了基于ResNet18的迁移学习方法，训练获得卷积神经网络（CNN）模型，建立了SEI膜微结构与其机械失效时间FT之间的映射关系。CNN模型表现出优异的预测性能，在测试集上实现了0.86的R²值。基于RMC算法和CNN模型耦合对SEI膜微结构优化得到的OD结构，表现出均匀的CP排列，与RD结构相比其FT提高了接近10倍。此外，进一步优化设计的PD结构具有高于RD结构100倍以上的FT。Ablation-CAM算法和有限元计算表明，均匀排列的CP提高了SEI膜的FT，使SEI膜内电流密度均匀化，最终抑制了SEI膜的机械失效以及锂离子的不均匀沉积。这项工作为SEI膜微结构设计提供了新思路，为提高锂金属负极的机械耐久性提供了理论指导。

Shengjie Chen, Zhanpeng Gong, Peiyu Zhao, Yanhua Zhang, Bo Cheng, Jianhua Hou, Jiangxuan Song, Xiangdong Ding, Jun Sun, Jinwen Shi, Junkai Deng*. Design of Nanostructure in Solid Electrolyte Interphase for Enhancing the Mechanical Durability of Lithium Metal Anode by Deep-Learning Approach. Energy Storage Materials. 2024.

https://doi.org/10.1016/j.ensm.2023.103096

通讯作者简介

邓俊楷，西安交通大学材料科学与工程学院教授。主要从事多尺度计算材料模拟和人工智能辅助材料设计的研究，致力于低维纳米材料，新能源材料和铁性智能材料的设计和开发。近年来，在JACS、Nat. Commun、Adv. Mater、Small、Energy Storage Mater、Nanoscale、PRB Rapid Communications、JPCL等期刊发表SCI论文60余篇，其中ESI高被引论文4篇; 论文它引2000余次。主持科研项目20余项，其中包括3项国家自然科学基金委NSFC项目，1项国家重点研发计划项目（子课题），2项陕西省自然科学基础研究计划等。

清华大学欧阳明高院士最新发文：聚焦电池热失控！

2023-12-21