发展更智能的水系电池综述要点

综述背景

  随着环境问题日益严重，缓解全球变暖和控制温室气体的排放已成为全人类的共同目标。2018年，联合国政府间气候变化专门委员会(IPCC)发起了实现“碳中和”的倡议，即到本世纪末将全球气温上升限制在1.5℃以内，这敦促人类社会实现从化石燃料向可再生能源(如太阳能、风能)的能源转型。然而对环境友好的可再生能源却大都存在分布不均和间歇性供能的问题，大规模储能设施因而亟待发展。作为锂离子电池(LIB)的一种可能的替代品，水系电池(aqueous batteries, ABs)以其经济性和安全性在大规模储能领域得到越来越多的关注。

对于水系电池的研究由来已久(图1a)。尽管针对ABs的研究发展势头强劲(图1b)，其大规模应用仍然受到有限的能量密度和使用寿命的阻碍，这些痛点与电池内部众多的副反应密切相关(图1c)。针对电极、电解液和隔膜进行设计和优化是对于上述问题的现有解决方案。另一个需要解决的问题则是极端工作条件下电池故障率的增加(图1d)，这凸显了监测和研究不同条件下ABs的失效机制的重要性。因此，实现ABs智能化对于其R&D及应用意义非凡。本文综述了实现智能水系电池的4个方面并提出了未来的发展方向，包括传感、电池-传感器系统、自修复和人工智能。

本文以题为“Building smarter aqueous batteries”的综述文章在国际期刊Small Methods上发表。本文通讯作者为香港科技大学(广州)黄加强教授。本文共同第一作者为邓灿彬博士和李亦晴硕士，通讯单位为香港科技大学(广州)。

图1. 水系电池的发展简史和挑战

综述要点

  以光学/超声传感器为例，介绍了监测ABs的离子活动和界面反应的先进的传感技术。 以检测物理变量和化学物质的电池-传感器一体化系统为例，介绍了ABs在不同场景下的多功能应用。

以机械损伤、热失控、过充等场景为例，介绍了在极端工作条件下用于ABs自修复和自保护的材料创新和电池设计。

介绍了人工智能如何帮助提高ABs材料筛选/优化的效率与合理性。

提出了构建更可靠、可持续和多功能的智能ABs的看法。  

图文导读

  Key 1. 水系电池的传感技术 图2. 水系电池中的声学和光学传感    

▲对于电池的反应机理和成分演变的研究有赖于精密的表征，然而传统表征手段的应用往往受限于高昂的设备价格、复杂的电化学电池设计和实验环境控制等因素。

声学传感和光学传感，作为非侵入性的新型传感技术，正被深入研究以诊断电池内的反应动力学进程。电解液的声学特性(声速和衰减系数)与电池的充电状态存在关联。此外，声学传感器在捕捉机械变化上具有优势，如应用于Zn电极的超声波传感器能够利用声波检测有害枝晶的生长(图2a)。而以光纤为基础的光学传感技术，则适用于更多的检测对象，包括电池内部的温度、热量、应变、折射率、拉曼和红外光谱等。如通过分析光纤光谱变化来分辨MnO2电极上H+和Zn2+的嵌入(图2f，g)。传感技术的发展赋予了未来商业化智能ABs实时数据采集和自诊断的可能性。  

Key 2. 作为传感器的电池

图3. 用于应变/压力测量的电池-传感器系统

▲随着智能便携式设备的微型化，传统的传感器单体+电池单体的设计逐渐无法满足功能和安全两方面的需求。

水系电池的低成本和高安全性恰好契合微型设备的电源需求，而集成电源与传感模块的一体化设计则能够在缩小模块体积的同时提高性能。比如利用对NH3气体敏感的mPANI/G纳米片作为电池正极，可以制备得到锌离子微电池(ZIMBs)-NH3传感器；而在纤维状锌离子电池周围包裹CNT/PDMS复合薄膜可用于监测应变(图3a-d)。图3e-g则介绍了使用可充电固态ZIB作为柔性压力传感器(ZIB-P)的传感机理、性能以及应用例子。  

Key 3. 水系电池的自修复

图4. 水系电池的机械损伤自愈性

▲无论是电池内部电化学反应带来的枝晶生长还是电池外部的机械挤压、弯折，抑或非正常使用导致的过充都会严重缩短ABs的寿命，甚至导致电池的失效。虽然对电池施加保护可以减缓上述过程，但电池的长期使用必然伴随损伤。如果能够赋予电池“自修复”的能力，就可以在不拆卸电池的情况下解决电池故障，延长电池的寿命。

实现对电池机械损伤的自修复有两种思路：一是让每个组件都具有自修复能力，二是将所有组件都置于自修复基质中，以基质的自修复驱动整个电池的一体化修复。图4展示了针对电极-电解液界面、电解质、电极、基底和一体化电池的自愈机理和性能。此外，利用溶胶-凝胶材料对温度或pH敏感的特性也可以实现对电池过热或过充的快速响应和电池保护。

Key 4. 水系电池的人工智能优化

图5. ABs阴极材料筛选

▲人工智能(AI)一直以来都在影响着传统的研究和生产方法，而机器学习(ML)则是其重要分支之一。ML已被广泛应用于解决可充电电池生产过程中不同尺度上的复杂问题。与传统试错法不同，数据驱动和机器学习方法能够快速、高效、准确地预测材料/性能，有效指引实验方向和规划实验资源。

许多新型可充电水系电池仍处于研发阶段，单在材料层面就存在许多挑战，人工智能技术在这一领域的应用还比较欠缺。人工智能在ABs中的最新研究，主要集中在材料的筛选和预测上。图5展示了基于机器学习方法的通用预测模型，该模型可以快速预测尖晶石的电学性能，并选择适用于镁/锌离子电池正极材料的最佳尖晶石结构。此外，ML方法也在电解液优化和添加剂选择方面起到了重要作用，将机器学习与自动化实验相结合在提高电解液研发效率上也具有巨大潜力。

总结与展望

  图6. 发展更智能的水系电池的重要方向

智能水系电池的发展需要更加系统和科学的研究，本综述聚焦于智能ABs的最新发展，并重点探讨了：传感技术、作为传感器的电池、电池自修复和人工智能这四个议题。对于智能ABs的未来研究方向，作者给出如下展望(图6)：(1)多功能传感器在电池状态监测和机理研究中的应用。(2)多功能ABs的设计与封装。(3)智能ABs在极端条件下的自修复与自保护。(4)用于电池材料优化和性能分析/预测的人工智能。

审核编辑：刘清