Инженеры активно разрабатывают передовые технологии хранения энергии, используя мощь вычислительных инструментов. Эти инновации играют ключевую роль в освоении возобновляляемых источников энергии и обеспечении работы электромобилей. Недавним прорывом стало создание новой модели на основе классической физики, призванной решить сложную задачу, связанную с процессами динамического неравновесия в системах хранения энергии. Эти процессы нарушают химический, механический и физический баланс материалов во время циклов зарядки и разрядки.
Модель неравновесных фазовых переходов (NExT), разработанная Хонцзян Чэнем и его научным руководителем Сяо-Ин Шэдоу Хуан в Университете штата Северная Каролина, была представлена в журнале The Journal of Physical Chemistry C 10 июля 2025 года. Цель модели — углубить понимание поведения аккумуляторов при быстрых циклах зарядки и разрядки. В отличие от состояния равновесия, когда ток не проходит и концентрация ионов равномерна, даже медленные процессы зарядки и разрядки происходят в условиях неравновесия. Быстрые циклы значительно отклоняют аккумулятор от этого состояния, вызывая физические и химические изменения, влияющие на его производительность и срок службы.
Во время быстрой зарядки неравномерное распределение ионов и значительное выделение тепла создают температурные градиенты внутри аккумулятора. Это приводит к различным скоростям реакций и дальнейшей дестабилизации системы. Аккумулятор также работает при напряжениях, далеких от идеальных, требуя больших перенапряжений, которые еще больше отдаляют его от равновесия. Быстрое движение ионов вызывает расширение и сжатие материалов быстрее, чем они могут механически адаптироваться, что приводит к внутренним напряжениям. Эти механические напряжения могут вызывать трещины в электродных материалах и ускорять износ. В таких материалах, как LiFePO4, эти условия вызывают структурные изменения, происходящие быстро, а не через стабильные термодинамические процессы.
Понимание этих неравновесных процессов имеет решающее значение для разработки более быстрых протоколов зарядки, которые обеспечивают баланс между скоростью, безопасностью и долговечностью. Это также необходимо для создания эффективных систем терморегулирования и проектирования электродных материалов, способных лучше выдерживать эти динамические условия. Существующие модели часто имеют ограниченную точность прогнозирования из-за упрощенных предположений и упущения сложных явлений, таких как массоперенос. Модель NExT объясняет, как такие материалы, как LiFePO4 и NMC, претерпевают фазовые переходы в условиях неравновесия. Она вводит «факторы пути», которые влияют на изменения энергии во время вставки и извлечения ионов, взаимодействуя со свойствами, такими как содержание лития и механическое напряжение. Симуляции показывают, что плотность дислокаций играет решающую роль в управлении структурными изменениями во время более быстрых электрохимических реакций.
Модель была проверена путем сравнения результатов моделирования с экспериментальными данными для материалов LFP и NMC при различных скоростях зарядки/разрядки. Соответствие подтверждает механизм изменения пути модели как инструмент для понимания и потенциального улучшения производительности аккумуляторов. Эта модель может быть интегрирована в вычислительные инструменты для создания более совершенных аккумуляторов. Хотя модель NExT в настоящее время сосредоточена на литий-ионных аккумуляторах, ее основополагающие принципы применимы и к другим системам хранения энергии, включая многовалентные аккумуляторы. Эти системы часто демонстрируют более сложные взаимодействия ионов с матрицей, где неравновесные эффекты выражены сильнее.
Модель NExT вносит вклад в вычислительное материаловедение, предлагая предиктивный инструмент для процессов, зависящих от скорости. Этот подход поддерживает рациональное проектирование материалов и устройств хранения энергии следующего поколения, ускоряя поиск и оптимизацию материалов посредством моделирования, основанного на физике и подтвержденного экспериментами. Модель предоставляет механистическую основу для исследования сложных, зависящих от скорости процессов в системах хранения энергии. Исследования показывают, что использование машинного обучения и анализа данных может значительно повысить точность прогнозирования срока службы аккумуляторов, что особенно важно для систем управления аккумуляторами в электромобилях. Например, гибридные модели, сочетающие традиционные методы с алгоритмами машинного обучения, демонстрируют улучшенную производительность, особенно в сценариях с нетипичными моделями деградации.