分享自:

氮中心有机盐实现高能量密度电池的稳定锂离子供应

期刊:Journal of the American Chemical SocietyDOI:10.1021/jacs.5c09300

氮中心有机盐实现高能量密度电池的稳定锂离子供应——锂离子补偿化学新突破

一、研究团队与发表信息
本研究由复旦大学高分子科学系、纤维材料与器件研究院、聚合物分子工程国家重点实验室的Yue Gao教授团队主导,团队成员包括Ziyang Kang、Shengfei Wang等多名研究者。研究成果发表于化学领域顶级期刊《Journal of the American Chemical Society》(J. Am. Chem. Soc.)2025年第147卷,论文标题为《Nitrogen-Centered Organic Salts Enable Stable Lithium-Ion Supply for High-Energy-Density Batteries》。


二、学术背景与研究目标
科学领域:本研究属于高能量密度锂离子电池(lithium-ion batteries, LIBs)的电极材料化学领域,聚焦于解决硅基负极(silicon-based anodes)首次循环中高达20%的锂离子不可逆损耗问题。

研究动机:当前锂补偿策略中,传统有机锂盐(如含羰基/羧基的化合物)存在分解电位过高、副反应产气及空气稳定性差三大缺陷,严重制约其实用性。氮(nitrogen, N)元素因其多重氧化态和可调控的电子结构,被认为可设计出更稳定的锂补偿剂。

研究目标:通过半监督机器学习(semi-supervised machine learning)筛选并合成一种氮中心有机锂盐,实现以下功能:
1. 在3.8–4.3 V电压范围内高效释放锂离子;
2. 分解产物无气体生成且能稳定电池化学环境;
3. 抑制高电压下镍钴锰三元正极(NCM811)的过渡金属溶解。


三、研究流程与方法
1. 分子筛选与设计
- 数据准备:建立585个邻苯二胺衍生物(o-phenylenediamine analogues)分子库,通过元素分析(C/H/N/F为主)和分子量分布(206/192/178 g mol⁻¹为主)筛选候选分子。
- 机器学习模型:采用改进的K-means聚类算法(K=12,轮廓系数最优),结合主成分分析(PCA)降维,将分子分为12类。通过密度泛函理论(DFT)计算氧化电位,筛选出氧化电位匹配NCM正极工作窗口的Cluster 4/7/9分子。
- 多指标评分:综合电化学稳定性、合成可行性、环境友好性及比容量(specific capacity),最终选定得分最高的分子Li₂N₂C₇H₄O(锂-苯并咪唑-2-酮)。

  1. 合成与表征

    • 合成路径:2H-苯并咪唑-2-酮与甲醇锂反应制得Li₂N₂C₇H₄O。
    • 结构验证
      • 傅里叶变换红外光谱(FTIR)显示N–H键(2600–3300 cm⁻¹)消失,保留C=O(1740 cm⁻¹)和芳环(1483 cm⁻¹)特征峰;
      • 核磁共振(¹H NMR)中10.52 ppm位移消失,X射线光电子能谱(XPS)检测到Li 1s信号,证实N–Li键形成。
  2. 电化学性能测试

    • 分解机制:循环伏安(CV)显示Li₂N₂C₇H₄O在3.8–4.3 V发生两步不可逆氧化,通过自由基路径释放2个Li⁺,生成苯并咪唑酮(C₇H₄N₂O)。比容量达362 mAh g⁻¹(理论值367 mAh g⁻¹)。
    • 空气稳定性:暴露于潮湿空气24小时后,FTIR谱图与电压曲线无变化。
  3. 电池性能验证

    • 正极保护:X射线衍射(XRD)显示含Li₂N₂C₇H₄O的NCM811电极循环后(003)峰位移减少,表明其抑制了阳离子混排;ICP-MS测得过渡金属溶解量降低(Ni: 336.2 ppm→47.4 ppm)。
    • 全电池测试:SiO/C‖NCM811软包电池中,添加5 wt% Li₂N₂C₇H₄O后:
      • 初始放电容量从186.7提升至205.5 mAh g⁻¹;
      • 500次循环后容量保持率84.1%(对照组67.2%)。

四、主要结果与逻辑链条
1. 分子筛选结果:机器学习结合DFT计算高效锁定Li₂N₂C₇H₄O,其氧化电位(3.8–4.3 V)与NCM811工作窗口匹配。
2. 分解机制验证:CV与电压曲线证实其两步氧化路径,无气体生成,且产物C₇H₄N₂O可络合过渡金属离子,抑制正极降解。
3. 性能提升:全电池数据直接证明该分子兼具锂补偿和正极保护双重功能,循环稳定性显著提升。


五、结论与价值
科学价值
- 首次提出氮中心有机锂盐的氧化还原机制,为锂补偿剂设计提供新范式;
- 验证机器学习加速功能材料发现的可行性。

应用价值
- 解决硅基负极首效低、NCM811高电压不稳定的产业难题;
- 分子空气稳定性优异,兼容工业化电池制造流程。


六、研究亮点
1. 方法创新:半监督机器学习与电化学理论结合,实现分子精准筛选。
2. 分子设计:Li₂N₂C₇H₄O兼具高比容量(367 mAh g⁻¹)与界面稳定功能。
3. 性能突破:全电池能量密度提升10%的同时,循环寿命延长25%。


七、其他发现
- 分解产物C₇H₄N₂O在正极表面形成富含LiF的CEI层(XPS验证),进一步抑制电解液副反应;
- 对比实验证明传统锂盐Li₂C₄O₄因分解电位过高(4.4 V)导致电极裂纹和容量衰减。

(全文约2000字)

上述解读依据用户上传的学术文献,如有不准确或可能侵权之处请联系本站站长:admin@fmread.com