论坛回顾丨张统一院士：将专家学习与机器学习相结合，必将加速电池的研发

10月19日，在“2021（第十六届）动力锂电池技术及产业发展国际论坛”上，中国科学院院士张统一作题为《锂电池中的化学应变及锂电池寿命的机器学习 》的演讲。

我开始讲一下锂电的应变，应变有两类，一个从热力学的角度来说，就是我们叫偏多分子技术；另外一个如果有相变，包括在电池里有价态的转变，价的转变，实际上它的体积相互会发生变化，这个变化定义在5微米的情况下，实际上是和应力没关的。不要一想到应变，就和应力联系到一块，我这里要给大家讲的是和应力无关的。只有有约束的时候才有应力。

在嵌锂的过程中，由于有集流器的约束，这时候往往在活性层，会有压力，而集流器受到张力。脱锂的过程刚好相反。

这是哈工大的一位讲师，在锂电做的一些探究的情况。锂电通过第一原理计算的，和发生相变的时候，真正实验的时候实际上有一些方向的区别，在一些情况下，它的体积会发生变形。

我们都知道电池比容量和应变有很大的关系，而且应变是约束材料应用的最大的问题。这里以硅作为例子，大家都知道硅的变形是非常之大的，所以约束它在锂电池中的应用。

有一个有趣的现象，我们在学热力学的时候是没有尺度的，现在做电极的正极材料也好，负极材料也好， 都把粒子越做越小，到了纳米粒子的时候，这个材料就发生属于他的热力学现象，变成了一个和尺度有关的。

MIT曾做过一个工作，根据图示，中间我们称为两相区，如果颗粒越来越小，两相区就会变窄。所以我们的热力学严格来说是和尺度有关的，但我们在学校里给学生讲课的时候是说和尺度无关的。

Nature Materials曾刊发过一篇题为《Electrochemical stiffness in lithium-ion batteries》的文章。我们常用锂电测量力学变形有两种模式。

这篇文章里通过协调原位应力和应变测量计算电化学刚度来探测电极的化学机械响应。结果发现，由于在循环过程中形成了不同的石墨-锂夹层化合物，电化学刚度发生了巨大的变化。其分析显示，应力与锂化/脱锂速率成比例，应变与容量成比例（与速率成反比）。

我们也在做类似研究，汇报一下我们的测量结果，我们用散斑法来测量它的应变。散斑法从力学角度来说是非常成熟的一个技术。

我们用的石墨，对电极是纯锂，石墨如果作为纽扣电池来看，它的性能挺好。如果不是纽扣电池，如果是可以在电解液里自由伸缩，这时候性能就远远不如在纽扣电池里的性能，特别是寿命会极大变短。其实我们充不了多少圈石墨电极就会坏掉，当然我们说是石墨的，但并不是纯石墨的，有粘接剂等等。

我们说应变，实际上通过我们散斑法测的应变是一个平面的应变，平面应变有沿着X轴方向的，也有沿着Y轴方向的。理论上应该是个均匀应变，但是由于试验样品，造的不是太均匀化，所以我们这里只是说这个加锂/嵌锂和脱锂的过程基本保持一致。但是不代表以下报告。往往以这个来代表，

嵌锂按照0.2C的速率，到了一定表观的温度就停下来，反向就是脱锂的过程，在20℃比较大， 40℃、60℃应变就比较更低一点。应变和镶嵌进去多少锂是直接正相关的。如果我们把应变和电压进行描述，因为用的速率比较小，所以看不出来太大的变化。微分后，嵌锂和电压的微分有类似形态。

电磁充放电实际靠电压控制，电压控制下，应变有很大变化。特别是在20 40 60不同温度，和电压有相应关联。

充放电过程中，嵌锂/放锂，每次过程会有残留，随着温度越来越高，残留越多，应变也大。而且这边（图示）表明它有非常强的永久变形，残留的应变很大。

简单的假设，在非活性材料，根据文献分析出SEI里，锂在里面有一个偏多分子体积，宏观来看，随着温度升高，偏多分子体积下降。就像房子很大，随着温度升高膨胀很快，而里面的人，膨胀的慢。

特别是在高温的时候，电解液有变化。我们把他归结为SEI，也可能挥发了。查文献发现SEI膜确实扮演了重要的角色。

电池存放在高温环境里，对锂电解液是没什么好处的。低温有低温的问题，高温有高温的问题。

从力学角度来看，力学损伤虽然不是电池退化的唯一因素，但是关键因素，典型案例是活性层-集流体界面分层。

这里我们得到一个主要结论：力学是最主要的模型之一，但不是唯一的。

材料信息学采用了从数据科学、互联网、计算机科学和工程以及数字技术等新兴领域汲取的技术、工具和理论，以加速材料、产品和制造创新。材料信息学可以应用在电池研究里。

从哲学的角度，专家范式，处理数据，我们实际上是要得到知识，现在我们讲的是机器学习的模型，这个知识可以用来：

了解事情发生的原因（解释）;

预测会发生什么（预测）;

管理正在发生的事情（控制）;例如无人驾驶汽车，将来还有无人驾驶飞机。

学习最早是由我们人类自己，特别是天才，现在我主张是要和机器一起来完成。牛顿力学不是推导出来的，实际上总结了前人的信息。

自然科学的发展是连续的过程，是人类观察自然行为，建立学习模型，然后获得知识。

这是MIT一个课题组，2020年发表在Nature的一篇文章，我需要电池在10分钟充满，怎么充电？有很多充电模式，哪个充电模式让电池寿命最长。这是基于原来电池寿命的研究。

实际上，我们跨界的认为这就是疲劳，只是应变不是由力学原因，而是由于化学原因，充放电循环造成电池的疲劳损伤。

这样我们知道如何充电快、寿命高、容量大，寿命如何预测？

同样的还是MIT这一组，在Nature Energy写了一篇文章，用数据驱动来预测电池寿命。他用的商业电池，用的18650电池，充放电100次。分了三批材料，实际上数据很少，124份，充电模式72种。我们现在自己也在做相关工作，找了一些新的feature。我们和他们的结果基本差不多，不同的feature都可以描述寿命。同样的寿命，可以用不同的feature，是不是最佳的还不一定，数据太少。

我要强调的有这么几个事儿

1.变形在电池的性能和使用寿命上扮演着非常重要的角色。

2.足够可靠的数据是预测电池寿命的必要和基本条件。实际上，包括汽车的疲劳、飞机的疲劳等等，大家最重视的还是实验。

3.将专家学习与机器学习相结合，必将加速电池的研发。

（来源：深圳市电池行业协会，以上内容根据嘉宾发言内容整理，未经嘉宾审核，转载请注明来源）

10月19-20日，由清华大学、北京大学主办，深圳市光明区人民政府指导，深圳市电池行业协会、贝特瑞新材料集团股份有限公司承办的“2021（第十六届）动力锂电池技术及产业发展国际论坛”在深圳成功举办。本次论坛大咖云集，陈立泉院士、吴锋院士、张统一院士、郑绵平院士、孙世刚院士、孙学良院士、陈忠伟院士领衔，来自高校、科研机构和企业的业界代表近五百余人参会，围绕 “面对新形势下的锂电产业发展”的主题，共同探讨新形势下锂电池产业技术的发展。