共同一作：隋忱汐（Chenxi Sui），李曜宇（Yao-Yu Li）

通讯作者：徐伯均（Po-Chun Hsu）

通讯单位：杜克大学

研究背景

美国能源部确定，极快充电电动汽车（EV）应能够在不到10分钟的时间内完成充电以提供200英里的行驶里程。然而，大多数电池在高充电倍率下无法保持高面积容量，均质多孔电极的缓慢离子传输和高电压降（IR降）是导致锂离子电池在高充电倍率下性能严重下降的关键原因。通过减少弯曲度和产生梯度孔隙率都可以提高电池的快充性能，但需要同时考虑孔隙率分布和垂直通道参数，这很快成为一个高度复杂的非线性设计问题。

受大自然的启发，许多研究人员设计并制造了脉管系统，用于在气体传感器、微流体系统和燃料电池等应用中进行高效运输。因此，假设这种脉管系统方法也可以应用于锂离子电池以在不牺牲材料利用率或容量的情况下实现快速充电。尽管具有超越传统方法的巨大潜力，但锂离子电池的血管结构优化尚未得到很好的研究，这可能是由于巨大的参数空间导致的。

成果简介

在此，美国杜克大学徐伯均教授等人展示了一种有效且高效的方法来执行基于深度学习的脉管系统电池电极的正向和逆向设计。数值计算表明，仿生血管多孔电极可以通过引入低曲折通道和梯度孔隙率解决上述问题，这可以通过多孔电极理论进行验证。为了优化结构参数，采用人工神经网络以高精度加速可能结构的计算。

此外，作者还编译了一个逆向设计搜索库，以找到不同工业制造和设计标准下的最佳血管结构。最后的数值模拟结果显示，在3.2 C电流倍率下，全血管化电池比传统均质电池充电容量提高了66%。

这项计算研究提供了一种创新方法来解决电池中的快速充电问题，并将深度学习算法的适用性扩展到不同的科学或工程领域。该成果以“Bio-Inspired Computational Design of Vascularized Electrodes for High-Performance Fast-Charging Batteries Optimized by Deep Learning”为题发表在国际顶级期刊Advanced Energy Materials（IF=29.368）上。

图文详解

1. 工作流程

图1. 仿生血管电极的示意图和深度学习优化过程的工作流程

整个过程包含以下步骤：

1) 为血管系统创建了11个几何参数的列表；

2) 对于训练数据集的生成，随机选择了4611个参数组合，每个组合代表一种独特的活性材料的血管结构，这些几何参数还必须满足某些约束条件以保证拓扑结构的成功形成（如没有重叠或穿透），所有活性材料的质量负载和厚度都是固定的；

3) 将这些几何参数输入有限元建模软件COMSOL Multiphysics以计算相应的充电曲线，这些曲线将作为人工神经网络（ANN）的训练数据集；

4）对于深度学习过程，结合神经网络和装袋集成（bagging ensemble）算法来提高模型的预测稳定性和准确性。然后使用训练好的神经网络来预测所有389514条充电曲线（几何参数空间中的64919条可能的血管结构乘以6个充电倍率）；

5) 通过将ANN预测的充电曲线编译为“逆向搜索库”，展示了逆向设计能力，可用于在特定目标和限制下找到最佳血管结构。

2. 血管结构的电化学分析

图2. 不同电极结构的电化学对比分析

作者认为容量增加是由分级孔隙度和低曲折度的协同效应引起的，前一种效应是基于隔膜侧的总离子电流较大（隔膜/活性材料界面处的边界条件规定所有电流都由离子携带），因此降低隔膜附近的传输阻力可以降低过电位或IR压降，这可以通过在隔膜附近产生更多孔的分级孔隙率来实现。

后一种现象是众所周知的，低弯曲度可以增加多孔活性材料基底中的有效离子扩散率，从而减轻极化。因此，作者定义了四种不同的电极单元，并在COMSOL Multiphysics中计算了它们的充电容量。结果显示，理论模型的结果与电化学分析非常吻合，这不仅证明了对脉管系统的生物启发思想，而且可以作为未来发展的实用设计指南。

3. ANN模型开发与性能

图3. 人工神经网络训练性能

考虑到描述脉管系统的极其复杂的参数空间，机器学习（ML）是加速这一过程的好方法。在比较了流行的ML算法的优缺点后，作者决定利用深度学习作为优化和设计工具的一部分。

完全重叠的充电曲线（蓝色实线代表有限元模拟，红色虚线代表ANN预测）和不同充电倍率和几何形状下相应的低均方误差 (MSE) 显示神经网络具有出色的预测精度，≈10-4的低验证MSE损失表明成功避免了过度拟合问题。模拟和预测的容量值与y=x线紧密对齐，具有0.9995的高R2值，也表明预测精度高。ANN模型的主要优势是实现充电曲线的高保真预测，在筛选参数和构建总数据库方面比有限元模拟快84倍。

4. 不同标准下的电极逆向设计

图4. 定制的电极逆向设计

作者展示了这种用于找到适应某些要求的优化几何形状的逆向设计工作流程。在此，给出两个优化场景：A（求5C下的最大容量，最小通道半径为0.01mm）和B（求10C下的最大能量密度，低功率密度限制，最小通道半径为0.005 mm) 进行演示。场景A和B的不同优化结果证明了逆向设计方法的重要性和必要性， 因为具有高充电容量或能量密度的电池也可能以高过电位（以相同倍率下的高充电功率表示）为代价，而这对于充电效率而言是不理想的。

此外，尽管由ANN设计的脉管系统和数据库适用于COMSOL Multiphysics建模，但现实偏差可能会影响现实世界电池的准确性。因此，使用Sobol的方法来分析每个参数对充电容量的敏感性，以确定这些参数的稳健性和显著性，该结果与理论非常吻合，因为隔膜-活性材料界面区域附近的离子电流远高于集流体附近。

5. 全电池模拟结果

图5. 真实应用场景的全电池模拟

基于石墨负极中血管通道的增强，有望在正负极上应用该配置，并进一步提高全电池水平的快速充电性能。无论是负极结构还是双结构，血管分支通道都为电池提供了比垂直通道更高的改进。最佳性能由双血管电池提供，在5 C和10 C充电倍率下面积容量分别高达1.18和0.476 mAh cm-2。这意味着与均质电极相比，分别实现了43.9%和13.94%的改进。

此外，美国先进电池联盟对电动汽车电池的快速充电目标是在15分钟内充电至80% 的容量。如果假设一个恒定的充电过程，充电率应该至少为3.2 C。该条件下双血管全电池的容量为2.119 mAh cm-2，几乎比均质电极大66%。由于此处所有电池的总体孔隙率相同，结果再次证明了由血管结构引起的离子传输改进和IR降的减小，这种显著的改进为实际工业生产中的快充电池带来了曙光。

结论展望

本文提出了一种仿生脉管系统方法，以解决锂离子电池在高充电倍率下的性能下降问题。基本的电化学理论解释了血管化多孔电极通过两种方式提高了快充性能。

首先，它降低了活性材料的弯曲度。其次，血管结构的分层分支产生梯度孔隙度分布剖面。作者展示了一种高效的深度学习模型，可以在不同标准下预测和逆向设计血管结构。最后，全电池分析表明，与均质电池相比，脉管系统在3.2 C恒流充电下可实现66% 的容量提升，在15 C脉冲充电下可实现1.35倍的充电时间改善。

除了电池之外，这项工作还可以作为一种创新方法，用于优化无法通过分析解决的复杂3D运输系统的拓扑设计。作者强调，由于大量的参数空间，这种计算设计工作必须是血管化电极实验实现的先决条件。

文献信息

Bio-Inspired Computational Design of Vascularized Electrodes for High-Performance Fast-Charging Batteries Optimized by Deep Learning, Advanced Energy Materials 2021. DOI: 10.1002/aenm.202103044