基于混合NeuralODE建模与对比实验的锂硫电池正极材料容量衰减预测及数据高效评估

《Communications Chemistry》：Al-doped C3N4 composite cathodes suppress polysulfide shuttle and enable long-lifetime Li-S batteries with physics-informed NeuralODE lifetime forecasting

　　

摘要

锂硫（Li-S）电池具有较高的理论比能量，但其实际发展仍受多硫化物穿梭效应、电子传输性能差以及复杂长期降解过程的限制。本研究将对比性正极实验与预测建模相结合，旨在研究锂硫电池研究中典型数据有限条件下的容量衰减问题。在七种基于硫的正极化学体系中进行比较，铝掺杂石墨相氮化碳（Al-C₃N₄/S）作为代表性宿主平台，其片层电阻低于未掺杂的g-C₃N₄，并在所研究正极体系中表现出稳定的长期衰减轨迹。基于这些异质老化轨迹，我们开发了一种基于混合NeuralODE的预测框架，从实验容量轨迹和增强退化轨迹中学习连续降解动力学。该模型可预测长达850周期的长时程性能，并通过迁移学习结合有限额外数据适应此前未见过的正极化学体系。本工作建立了一种概念验证性的实验-计算工作流，用于退化预测以及对新兴锂硫正极材料的数据高效评估。