引言
时代的发展推动了经济的持续进步，随着技术标准的提高，对资源的需求也在增加。近年来，传统能源的应用范围不断扩大，但这伴随着全球资源储备的迅速减少和成本的上升，促使相关方将重点转向新能源[1], [2], [3], [4], [5]。作为电池电极材料，锂具有低成本、优异性能和高可回收性等优势，且现已建立起完善的工业生态系统[6], [7], [8]。然而，作为一种高反应性的电极材料，锂金属的工作电压超过了有机电解质的热力学稳定窗口，存在显著的安全风险。近年来，随着锂离子电池（LIBs）使用的增加，电池起火事件变得越来越频繁[9], [10], [11], [12]。为解决下一代能量电池的安全问题，寻找锂的可行替代品已成为关键任务。钠与锂属于同一周期族，具有相似的电化学性质。此外，与锂相比，钠的成本更低、电极反应性更弱、工作电压更低，表明钠离子电池（SIBs）在新能源领域具有较大的商业化潜力[13], [14], [15], [16]。
研究人员对比了SIBs和LIBs的热失控（TR）现象，发现SIBs中的TR更难以触发且程度较轻。这是因为Na+的离子半径大于Li+，充放电过程中的脱插反应会导致材料晶体结构的显著变化[17], [18], [19], [20]。然而，较大的离子半径也会影响材料的电化学性能和循环稳定性，限制了其实际应用价值。为克服这一缺点，人们通常通过优化电极材料来改进钠离子电池的电化学性能。目前，主流的钠离子电极材料分为三类：金属层状氧化物、普鲁士蓝衍生物和聚阴离子化合物[21], [22], [23], [24]。由于金属层状氧化物在充放电循环中会释放氧气等易燃气体，而普鲁士蓝衍生物在较低温度下会引发热失控并产生毒性强烈的氰化物气体，这两种材料均不满足热安全要求。聚阴离子化合物凭借其优异的循环稳定性和热安全性，成为目前最受青睐的正极材料。Na3V2(PO4)3（NVP）是一种钠超离子导体（NASICON），具有高能量密度和结构稳定性。NVP具有独特的三维开放框架，由PO4四面体和VO6八面体配体结合形成，形成了有利于Na+迁移的三维通道结构[25], [26], [27], [28], [29]。尽管NVP具有优异的理论比容量，但其固有的低电子和离子传导性限制了其实际应用。为此，我们通过元素掺杂调节了晶胞体积。元素掺杂引入了化学稳定的离子，通过拓宽离子迁移通道减少了热失控的可能性。因此，离子掺杂成为最适合高安全性钠离子电池的改性方法[29], [30], [31], [32], [33]。
本研究利用机器学习方法预测热失控数据。机器学习是人工智能（AI）的核心分支，通过依赖导入的数据集，使计算机能够自主发现大量数据中的特征与目标之间的映射模式[34], [35], [36], [37]。其主要目标是最小化模型预测值与实际值之间的误差。在使用小型数据集构建模型时，科学选择机器学习算法至关重要，这关系到模型的可靠性和预测能力[38], [39], [40]。机器学习过程包括数据收集、数据集创建、数据集划分、模型训练和模型评估。通过建立预测热失控数据的模型，可以根据结果控制热失控的原因和可能性，从而提高安全性[41], [42], [43], [44]。
本研究旨在通过掺杂不同的过渡元素来改性NVP，以提升其电化学性能和热安全性。对样品进行了半电池和全电池电化学测试，结果显示最优样品的容量为122.3 mAh g?1
