模拟热失控条件下锂离子电池SEI中碳酸锂甲酯分解动力学

《Chemical Engineering Journal》:Modeling lithium methyl carbonate decomposition kinetics in the lithium-ion battery SEI under thermal runaway

【字体: 大 中 小 】 时间:2026年03月03日 来源:Chemical Engineering Journal 12.5

编辑推荐:

  本杰明·C·科尼格|闵纳克·金|洪钟燮|邓思丽美国马萨诸塞州剑桥市麻省理工学院机械工程系,邮编02139摘要锂离子电池的热失控现象在很大程度上是由固态电解质界面层在低温下的分解所产生的放热行为所引发的,因此有必要研究其分解过程及放热特性。本研究提出了一个六步法模型,用于描述作为商

  
本杰明·C·科尼格|闵纳克·金|洪钟燮|邓思丽
美国马萨诸塞州剑桥市麻省理工学院机械工程系,邮编02139

摘要

锂离子电池的热失控现象在很大程度上是由固态电解质界面层在低温下的分解所产生的放热行为所引发的,因此有必要研究其分解过程及放热特性。本研究提出了一个六步法模型,用于描述作为商用电解质所形成SEI关键成分的碳酸锂甲酯的分解过程。该模型的构建是通过基于差示扫描量热法和热重分析数据的混合数据集训练化学反应神经网络来实现的。为确保模型的物理准确性,还运用密度泛函理论对模型参数进行了约束,并通过衰减全反射傅里叶变换红外光谱数据以及在不同加热速率下的额外热重分析数据来进行模型验证。通过测试不同DFT约束条件下的模型,明确了实验与理论之间高度吻合的部分,以及需要进一步实验或计算才能完全理解其物理机制的部分。最终得到了一个包含24个参数、涉及6个反应的完整热动力学模型,用于描述碳酸锂甲酯的分解过程。尽管碳酸锂甲酯本身是吸热反应,但该模型有助于深入理解热失控过程中的低温自热阶段,同时提供了一个简洁的数值模型,为未来研究涉及碳酸锂甲酯的放热性电解质相互作用奠定了基础。

引言

热失控是锂离子电池应用中亟需解决的问题,各种热、机械和电气上的滥用都可能引发剧烈的热量释放、火灾甚至爆炸[1]。这些热问题促使人们从材料层面[2]、[3]以及电池设计中的冷却系统方面[4]着手提升电池的热安全性。尤其值得一提的是,负极与电解质交界处的固态电解质界面层的分解被认为是导致低温放热现象以及灾难性热量释放的重要原因[5]、[6]、[7]。由于SEI具有多组分复杂性[8]、[9],且其成分和厚度会随着电池使用时间的增加而发生变化[10]、[11]、[12]、[13],因此对这些现象进行建模和表征十分困难,不少研究只能采用简单的整体模型或单步动力学模型[14]、[15]、[16],这类模型虽然能够较好地拟合实验数据,但却无法真实反映背后的物理过程。针对这一问题,有研究结合了大量的理论和实验数据[17],阐明了碳酸锂甲酯的六步法分解路径,它是早期热分解过程中的关键成分[18]、[19],虽然碳酸锂甲酯本身是吸热反应,但它会与电解质以及其他有机SEI成分发生放热性副反应[20]。后续还有研究对另一种重要的SEI成分——碳酸亚乙酯进行了类似的分解路径分析[21],其长远目标是全面揭示SEI的所有分解路径[20]。然而,要将这些机理性认识转化为可预测的模型以及实用的热失控缓解策略,除了现有的整体模型或单步近似模型之外,还需要详细的参数化动力学模型。
传统的分析方法在模拟SEI分解过程中存在局限性,因此需要借助化学反应神经网络。差示扫描量热法和热重分析是用于模拟电池组件动力学行为的常用实验方法。传统的数据分析方法通常只能提取一些标量数值,比如反应焓的积分值,或是根据不同加热速率得到的动力学三重态的峰值变化趋势[14]、[22]、[23]、[24]。这类分析方法由于表达能力和通用性有限,存在一定的缺陷[25]、[26]。而新的化学反应神经网络方法则能够利用差示扫描量热法和热重分析的动态时间曲线,来学习完整且无需简化的模型动力学参数,从而能够完整地描述复杂的动力学路径,还能涵盖多种功能形式,包括多反应物反应、非整数反应级数、非指数温度效应、压力效应以及依次耦合的反应[15]、[26]、[29]、[30]、[31]、[32]。经过化学反应神经网络优化的模型可以通过与密度泛函理论计算结果、傅里叶变换红外光谱数据或分子动力学模拟结果等外部数据源进行对比,来验证其化学行为的准确性,同时还能为模型参数提供有用的不确定性分布信息[15]、[29]、[35]。在使用化学反应神经网络时,一个重要考虑因素是必须要有足够丰富的信息来拟合特定的模型形式:随着反应步骤和路径的增加,这些反应和路径就需要通过数据或先验知识进行恰当约束,这样才能得到准确且符合实际的模型[15]。正因如此,此前在热失控及其他能源相关领域应用的化学反应神经网络,大多只关注那些能够反映整体趋势和物理行为的整体反应,但由于标准的热重分析和差示扫描量热分析数据缺乏足够的细节信息,这类模型无法真正体现分子层面的行为[15]、[26]、[28]、[29]、[36]、[37]。
与那些使用简化中间体或无明确名称的中间体来重现宏观曲线的全局动力学模型不同,基于逐步反应的模型能够明确指定各种反应物和反应步骤的具体身份。这样一来,就可以直接整合独立的、分步明确的反应信息:基于密度泛函理论计算得到的过渡态能垒可以用来约束特定的反应,而傅里叶变换红外光谱的特征则可以与特定中间体的生成或消耗相对应。因此,这样的模型不仅能够与整体热重分析/差示扫描量热分析的结果相吻合,还能够与微观物理规律和化学成分信息相呼应。这种分步描述的模型结构还为未来的研究提供了模块化扩展的可能性,即可以将此处确定的某些基本反应与其他基本化学反应(如电解质/盐类反应)以及其他物理过程相结合。
在本研究中,我们采用了带有严格反应路径约束的化学反应神经网络框架,首次建立了碳酸锂甲酯分解的六步法基本动力学模型参数,如图1所示。该化学反应神经网络模型是基于热重分析和差示扫描量热分析的混合数据集进行训练的,旨在同时预测质量损失和热量释放情况。为了将全部六个反应的参数约束在最能反映碳酸锂甲酯真实基本行为的合理范围内,我们对这些反应的活化能施加了密度泛函理论的约束。作为进一步的验证手段,我们将化学反应神经网络预测的活化温度范围与衰减全反射傅里叶变换红外光谱数据中测得的活化温度范围进行了比较。结果表明,化学反应神经网络模型能够在很大程度上协调所有理论数据与实验数据(包括热重分析数据、差示扫描量热分析数据、密度泛函理论计算结果以及衰减全反射傅里叶变换红外光谱数据),从而得到既符合密度泛函理论物理约束、又能很好地拟合所有实验数据的合理模型。此外,我们还分析了化学反应神经网络识别出的各数据集之间的差异,并提出了能够处理看似矛盾数据的其他训练方法。最后,我们还通过在不同加热速率下对新的热重分析数据进行的等温转化活化能分析,进一步探讨了这些模型的有效性。通过引入额外的密度泛函理论和化学计量学约束,这一框架为化学反应神经网络赋予了更强的物理意义,使其更有能力推断出那些原本缺乏足够约束、难以准确建立的基元动力学步骤模型。目前将这一改进后的框架应用于碳酸锂甲酯分解模型的研究结果表明,它具有很强的数据融合能力,而且还有潜力与电解质以及其他SEI化合物相结合,构建出更为精确的SEI分解模型,从而比现有的简化模型更准确地揭示热失控的起始机制,尤其是当其余组分的化学路径及其相互作用机制被进一步阐明之后。
需要说明的是,在本研究中,我们采用的是文献[17]中提出的碳酸锂甲酯逐步分解路径,重点是通过热重分析/差示扫描量热分析数据来推断基于实验结果的逐步动力学参数,而非提出新的反应结构。

章节节选

先前的实验结果

用于训练和验证本研究所开发的化学反应神经网络模型的实验数据,来源于最初用于阐明碳酸锂甲酯反应路径的研究[17],其中的碳酸锂甲酯样品是通过亲核取代反应合成的。选择这些数据集是因为它们具有较高的分辨率、良好的重复性,且与碳酸锂甲酯的分解行为密切相关。下面我们简要介绍每种分析方法的详细内容,更多详细信息可见文献[17]。

完全约束的化学反应神经网络模型

在第一个案例研究中,我们按照2.2.2节所述,通过对所有参数施加完整的密度泛函理论约束来优化模型参数:R3和R6反应的活化能被固定为密度泛函理论计算所得的值,而其余四个反应的活化能则通过方程(9)进行软约束,确保其值在密度泛函理论计算值的1电子伏特范围内。经过优化后的模型对热重分析数据和差示扫描量热分析数据的拟合结果如图2(A)所示,同一图表中还展示了各个反应的速率值(这些速率值是从化学反应神经网络相同积分过程中的方程(2)中提取的)

结论

在本研究中,我们首次建立了锂离子电池SEI层中吸热型碳酸锂甲酯分解的基本化学动力学模型。我们采用了另一种形式的化学反应神经网络方法,借助来自热重分析、差示扫描量热分析以及密度泛函理论数据的强大实验和理论约束来推断该模型的参数,之后又通过衰减全反射傅里叶变换红外光谱数据对模型进行了验证。SEI层中的低温行为是热失控现象产生的关键驱动因素,因此这个基于深刻物理原理的模型

CRediT作者贡献说明

本杰明·C·科尼格:撰写——初稿撰写,软件应用,方法设计,正式分析,概念构思。闵纳克·金:撰写——审稿与编辑,方法设计,实验研究,数据整理,概念构思。洪钟燮:撰写——审稿与编辑,项目管理,概念构思。邓思丽:撰写——审稿与编辑,项目管理,概念构思。

利益冲突声明

作者声明,他们不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。

致谢

本杰明·C·科尼格、闵纳克·金和邓思丽感谢美国国家科学基金会提供的资助,资助编号为CBET-2143625;同时也感谢美国能源部的资助,资助编号为DE-EE0011364。本杰明·C·科尼格还获得了美国国家科学基金会研究生研究奖学金的支持,该奖学金的编号为1745302。闵纳克·金则得到了韩国国家研究基金会基础科学研究项目的资助,该项目由韩国教育部提供支持,资助编号为RS-2025-02315860。洪钟燮也获得了相应资助。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号