Geleid door machine learning hebben scheikundigen van het Oak Ridge National Laboratory van het Department of Energy een recordbrekend koolstofhoudend supercondensatormateriaal ontworpen dat vier keer meer energie opslaat dan het beste commerciële materiaal. Een supercondensator gemaakt met het nieuwe materiaal zou meer energie kunnen opslaan, waardoor regeneratieve remmen, vermogenselektronica en hulpvoedingen worden verbeterd.

"Door een datagestuurde methode en onze onderzoekservaring te combineren, hebben we een koolstofmateriaal gecreëerd met verbeterde fysisch-chemische en elektrochemische eigenschappen die de grens van energieopslag voor koolstofsupercondensatoren naar een hoger niveau hebben getild", zegt chemicus Tao Wang van ORNL en de Universiteit van Tennessee, Knoxville.

Wang leidde de studie, getiteld "Machine-learning-ondersteunde materiaalontdekking van zuurstofrijke, zeer poreuze koolstofactieve materialen voor waterige supercondensator" en gepubliceerd in Nature Communications , met chemicus Sheng Dai van ORNL en UTK.

"Dit is de hoogste geregistreerde opslagcapaciteit voor poreuze koolstof", zegt Dai, die de experimenten samen met Wang bedacht en ontwierp. "Dit is een echte mijlpaal."

De onderzoekers voerden het onderzoek uit bij het Fluid Interface Reactions, Structures and Transport Center, of FIRST, een door ORNL geleid DOE Energy Frontier Research Center dat actief was van 2009 tot 2022. De partners in drie nationale laboratoria en zeven universiteiten onderzochten vloeistof-vaste stof-interfacereacties met gevolgen voor de capacitieve opslag van elektrische energie. Capaciteit is het vermogen om elektrische lading te verzamelen en op te slaan.

Als het om apparaten voor energieopslag gaat, zijn batterijen het meest bekend. Ze zetten chemische energie om in elektrische energie en blinken uit in het opslaan van energie. Daarentegen slaan condensatoren energie op als een elektrisch veld, vergelijkbaar met statische elektriciteit. Ze kunnen niet zoveel energie opslaan als batterijen in een bepaald volume, maar ze kunnen herhaaldelijk worden opgeladen en verliezen niet het vermogen om een ​​lading vast te houden. Supercondensatoren, zoals die welke sommige elektrische bussen van stroom voorzien, kunnen meer lading opslaan dan condensatoren en sneller opladen en ontladen dan batterijen.

Commerciële supercondensatoren hebben twee elektroden – een anode en een kathode – die gescheiden zijn en ondergedompeld in een elektrolyt. Dubbele elektrische lagen scheiden op reversibele wijze ladingen op het grensvlak tussen de elektrolyt en de koolstof. De materialen bij uitstek voor het maken van elektroden voor supercondensatoren zijn poreuze koolstofatomen. De poriën bieden een groot oppervlak voor het opslaan van de elektrostatische lading.

Het door ORNL geleide onderzoek maakte gebruik van machine learning, een soort kunstmatige intelligentie die leert van gegevens om de resultaten te optimaliseren, om de ontdekking van het overtreffende trapmateriaal te begeleiden. Runtong Pan, Musen Zhou en Jianzhong Wu van de Universiteit van Californië, Riverside, een EERSTE partneruniversiteit, bouwden een kunstmatig neuraal netwerkmodel en trainden het om een ​​duidelijk doel te stellen:een 'droommateriaal' ontwikkelen voor de levering van energie.

Het model voorspelde dat de hoogste capaciteit voor een koolstofelektrode 570 farad per gram zou zijn als de koolstof samen met zuurstof en stikstof zou worden gedoteerd.

Wang en Dai ontwierpen een extreem poreuze, gedoteerde koolstof die enorme oppervlakken zou opleveren voor elektrochemische grensvlakreacties. Vervolgens synthetiseerde Wang het nieuwe materiaal, een zuurstofrijk koolstofraamwerk voor het opslaan en transporteren van lading.

De koolstof werd geactiveerd om meer poriën te genereren en functionele chemische groepen toe te voegen op plaatsen voor oxidatie- of reductiereacties. De industrie maakt gebruik van activatiemiddelen zoals kaliumhydroxide, die een zeer hoge temperatuur vereisen, rond de 800°C, waardoor zuurstof uit het materiaal wordt verdreven. Vijf jaar geleden ontwikkelde Dai een proces waarbij natriumamide als activeringsmiddel werd gebruikt. Het werkt bij een lagere temperatuur, rond de 600°C, en creëert actievere plekken dan het hetere industriële proces. "Materiaalsynthese in deze 'Goudlokje-zone' - niet te koud, niet te warm - maakte een echt verschil in het niet ontbinden van de functionele groepen," zei Dai.

Het gesynthetiseerde materiaal had een capaciteit van 611 farads per gram, vier keer hoger dan een typisch commercieel materiaal. Pseudocapaciteit is de opslag van lading op basis van continue, snelle en omkeerbare oxidatie-reductiereacties aan het oppervlak van elektrodematerialen. De pseudocapaciteit van dergelijke reacties op de zuurstof/stikstoflocaties droeg bij aan 25% van de totale capaciteit. Het oppervlak van het materiaal behoorde tot de hoogste die ooit voor koolstofhoudende materialen zijn geregistreerd:meer dan 4.000 vierkante meter per gram.

Dit succes kwam snel. Dankzij de datagestuurde aanpak konden Wang en Dai in drie maanden bereiken wat voorheen minstens een jaar zou hebben gekost.

"We hebben de prestaties van koolstofmaterialen op de limiet bereikt", zei Wang. "Zonder het doel dat machine learning zich stelde, zouden we materialen met vallen en opstaan ​​zijn blijven optimaliseren zonder de limiet ervan te kennen."

De sleutel tot succes was het bereiken van twee soorten poriën:mesoporiën tussen 2 en 50 nanometer, oftewel een miljardste van een meter, en microporiën kleiner dan 2 nanometer. In experimentele analyses ontdekten de scheikundigen dat de combinatie van mesoporie en microporiën niet alleen een groot oppervlak voor energieopslag opleverde, maar ook kanalen voor elektrolyttransport. Miaofang Chi en Zhennan Huang van het Center for Nanophase Materials Sciences, een DOE Office of Science-gebruikersfaciliteit bij ORNL, voerden scanning-transmissie-elektronenmicroscopie uit om de mesoporiën te karakteriseren, maar de microporiën waren te klein om te zien.

Microscopisch gezien lijkt het materiaal op een golfbal met diepe kuiltjes. De kuiltjes vertegenwoordigen mesoporiën, en de microporiën bevinden zich in het materiaal tussen de kuiltjes.

"Jullie bouwen een snelweg voor ionentransport", zei Dai. "Bij supercondensatoren draait alles om hoge prestaties:snel opladen, snel ontladen. In deze structuur die Tao en ik hebben ontworpen, heb je een grotere porie, die je kunt zien als een supersnelweg. Deze is verbonden met kleinere wegen of kleinere poriën. "

"De kleinere poriën bieden een groter oppervlak voor het opslaan van lading, maar de grotere poriën zijn als een snelweg die de laad-/ontlaadsnelheid kan versnellen," zei Wang. "Een uitgebalanceerde hoeveelheid kleine en grote poriën kan de beste prestaties realiseren, zoals voorspeld door het kunstmatige neurale netwerkmodel."

Om het transport van de elektrolyt in de koolstofporiën te karakteriseren, voerden Murillo Martins en Eugene Mamontov van de Spallation Neutron Source, een DOE Office of Science-gebruikersfaciliteit bij ORNL, quasielastische neutronenverstrooiing uit. "Ze volgden de snelheid op de snelweg", zei Wang. "Dit was de eerste keer dat neutronenverstrooiing werd gebruikt om de diffusie van een zwavelzuur-elektrolyt in de besloten ruimtes van koolstofnanoporiën te analyseren." Neutronenverstrooiing onthulde dat de elektrolyt met verschillende snelheden bewoog:snel in de mesoporiën en langzaam in de microporiën.

Wang kwantificeerde de capaciteitsbijdragen van poriën van verschillende groottes en oxidatie-reductiereacties aan hun oppervlakken via gemodificeerde stappotentiaal-elektrochemische spectroscopie, een techniek die slechts op een paar plaatsen in de wereld kan worden toegepast. "We ontdekten dat mesoporiën gedoteerd met zuurstof en stikstof het meest bijdragen aan de totale capaciteit", zei Wang.

Het FIRST-team voerde andere onderzoeken uit naar de fysisch-chemische eigenschappen. Jinlei Cui en Takeshi Kobayashi van het Ames National Laboratory gebruikten nucleaire magnetische resonantie om de structuur van polymeervoorlopers te analyseren. Bishnu Thapaliya van ORNL en UTK voerde een Raman-analyse uit en onthulde de amorfe of ongeordende structuur van de koolstof.

Zhenzhen Yang van UTK en ORNL en Juntian Fan van UTK namen deel aan de oppervlaktemetingen.

Dit onderzoek heeft het potentieel om de ontwikkeling en optimalisatie van koolstofmaterialen voor supercondensatortoepassingen te versnellen. Hoewel dit baanbrekende onderzoek destijds gebruik maakte van de beste gegevens, beschikken wetenschappers nu over nog meer grensgegevens voor het trainen van het machine learning-model voor het volgende onderzoek.

"Door meer gegevens te gebruiken, kunnen we een nieuw doel stellen en de grenzen van koolstofsupercondensatoren nog verder verleggen", aldus Wang. "De succesvolle toepassing van machinaal leren in materiaalontwerp is een bewijs van de kracht van datagestuurde benaderingen bij het voortschrijden van technologie."

Meer informatie: Tao Wang et al., Door machinaal leren ondersteunde materiaalontdekking van zuurstofrijke, zeer poreuze actieve koolstofmaterialen voor waterige supercondensatoren, Nature Communications (2023). DOI:10.1038/s41467-023-40282-1

Journaalinformatie: Natuurcommunicatie

Geleverd door Oak Ridge National Laboratory