V/Fe/Ti取代钠锰氧化物组成空间探究：面向下一代钠离子电池正极材料

《Journal of Materials Chemistry A》：Probing the composition space of V, Fe, and Ti substituted sodium manganese oxides for next-generation sodium-ion cathodesOpen Access

　　

研究人员通过溶胶-凝胶法（sol–gel method）合成了一个包含28种掺杂钠锰氧化物组成的材料库，以筛选用于钠离子电池（sodium-ion batteries, SIBs）的改良正极材料。这些组成在钠离子半电池中进行了元素比、物相及电化学性能的全面表征。主要库中的所有组成均符合化学计量比Na_0.5Mn_0.66V_xFe_yTi_zO₂（x + y + z = 0.33），多数得到相纯的层状P3（R3?m空间群）或“隧道型”（Tunnel Type, Pbam）结构。尽管若干含铁和含钛的钠锰氧化物已为人所知，钒掺杂锰氧化物也有过测量，但其比例及其对钠离子正极性能的系统研究仍基本空白。在这项大型研究中，研究人员在新的Ti : Fe : V三元取代体系内探索了Ti : Fe比，并确定了用于未来开发的优化热处理条件和钠含量。有趣的是，研究人员发现了组成/性能关系：Fe赋予最高比容量，V提供高稳定性，少量Ti的添加显著改善了倍率性能。所得数据集被用于训练机器学习模型以预测测试材料。这项工作建立了一个可扩展的框架，用于针对高能量密度、快速充电和长循环寿命等应用特定需求进行钠离子正极的定向设计和预测。

全球脱碳目标推动了电化学储能技术的发展，锂离子电池（LIBs）虽为主导，但其对易燃电解质和关键材料的依赖促使研究者寻求替代方案。钠离子电池（SIBs）因资源丰富、成本较低而受到重视，然而其正极材料在比容量和循环稳定性方面仍落后于锂电同类材料。在现有正极材料体系中，钠锰氧化物凭借高比容量（120–250 mA h g^?1）、适宜的工作电压（2–4.3 V vs. Na/Na⁺）和高体积能量密度被认为最具应用前景，但Mn³⁺引发的Jahn–Teller畸变会导致结构变形和循环衰变。掺杂Fe、V、Ti等过渡金属是缓解该问题的常见策略，然而以往研究多局限于单一元素掺杂，缺乏对多种元素同时取代时组成空间与电化学性能关系的系统探索。本研究首次构建了V、Fe、Ti三元取代的钠锰氧化物组成库，旨在系统揭示组成-结构-性能关系，并探索机器学习辅助材料设计的可行性。

研究人员采用溶胶-凝胶法合成了28种不同V/Fe/Ti比例的材料，目标化学计量为Na_0.5Mn_0.66V_xFe_yTi_zO₂（x + y + z = 0.33），并通过MP-AES确认元素比例。物理表征包括XRD、SEM、TEM/STEM-EDS，电化学测试采用恒流充放电（GCD）和循环伏安（CV）。研究发现Fe掺杂赋予最高比容量（VFT010，178 mA h g^?1），V掺杂显著提升循环稳定性（VFT110容量保持率73.5% vs. VFT010的55.0%），少量Ti掺杂则大幅改善倍率性能（VFT051在1000 mA g^?1下容量达55.1 mA h g^?1）。通过系统筛选，确定了600 ℃/48 h为最优热处理条件；提高钠含量可促进P3相形成并提升容量，但过量钠会引发副反应。将电化学数据与组成进行相关分析和机器学习建模，发现Ti对倍率和循环稳定性的积极作用以及V对容量的负面影响。尽管有限样本量限制了模型预测精度，但该流程为高通量材料开发提供了可扩展框架。

本研究主要关键技术方法包括：溶胶-凝胶法合成（以金属硝酸盐、偏钒酸铵和钛酸异丙酯为前驱体，柠檬酸为螯合剂）；X射线衍射（XRD）和微波等离子体原子发射光谱（MP-AES）进行物相与元素定量；扫描电镜（SEM）与透射电镜（TEM）结合能谱（EDS）分析形貌和元素分布；电化学测试涵盖GCD与CV；数据分析采用主成分分析（PCA）、Pearson相关矩阵和弹性网络（Elastic Net）机器学习模型，并以嵌套交叉验证评估泛化性能。样本队列为实验室合成的28种组成，无外部队列。

3.1 合成与物理表征：通过pH监测和MP-AES验证了前驱体溶液稳定性及产物化学计量准确性。XRD分析显示多数组成为相纯P3或隧道型（TT）结构，部分样品出现Mn₂O₃等杂质。三元相图表明V和Ti促进TT相形成，高V含量易产生Mn₂O₃杂质，而Fe/Ti体系主要形成P3相。增加钠含量可使部分材料从TT转变为P3，但最佳钠含量因组成而异。

3.2 电子显微分析：SEM观察到纳米线和多孔纳米颗粒两种主要形貌，纳米线多出现在含V、Ti或三元组成区域并与TT相对应，颗粒形貌则与P3相相关。TEM和STEM-EDS进一步确认了P3与TT相的共存，并在钠化样品中观察到非晶钒氧化物包覆层，该包覆层可能有利于抑制副反应并改善循环稳定性。

3.3 电化学分析：GCD测试表明Fe赋予高比容量但循环和倍率性能较差，V掺杂提高容量保持率，Ti掺杂显著提升高倍率下的容量。CV分析结合Randles–?ev?ík方程和Trasatti方法计算了各材料的钠离子扩散系数和表面电荷贡献，发现TT相与纳米线形貌有利于快速钠离子传输和较高的表面赝电容贡献。

3.4 相关性分析：Pearson相关矩阵显示Na和Fe与最大容量正相关，V呈强负相关；Ti与高倍率容量及100次循环容量保持率呈最强正相关。机器学习模型在28个样本上预测最大容量的精度有限，但所建立的高通量合成-表征-测试-数据科学闭环为未来扩展数据集和机器学习驱动的材料设计提供了可行路径。

讨论部分，研究人员指出组成与性能的关系受多种因素影响，包括相组成、形貌、包覆层及阴离子氧化还原行为。相关分析虽能定量揭示关键趋势，但线性模型无法完全捕捉复杂非线性关系。尽管当前机器学习模型因数据量小导致预测能力不足，但该研究建立的工作流程为钠离子正极材料的快速筛选和定向设计奠定了重要基础。

结论部分，研究人员总结道：本研究首次合成了V、Fe和Ti取代的钠锰氧化物组成库，溶胶-凝胶法获得了准确元素比例和多样相结构，包括MnO₂、TT和P3相。通过系统调节V:Fe:Ti比，确立了关键性能与组成的关系，即V提高结构稳定性，Fe提高比容量，少量Ti改善倍率性能。结合高通量表征、自动化数据处理和机器学习，实现了扩散系数及赝电容贡献的快速提取。该开发流程为未来基于大数据和机器学习的高通量材料发现奠定了坚实基础。