Menu
e-shop
Tvrdý uhlík (hard carbon, HC) je amorfní forma uhlíku s nepravidelnou strukturou, která obsahuje mikropóry, mezopóry a určitou míru grafitických domén. Právě tato struktura je příznivá pro ukládání sodíkových iontů, protože větší mezirovinná vzdálenost, obvykle větší než 0,37 nanometru, umožňuje efektivní interkalaci a deinterkalaci sodíku během cyklování baterie. Výzkumný tým z Univerzity vědy a technologie v Missouri zjistil, že biomasa má v tomto ohledu několik klíčových výhod. Jedná se o nízkonákladový a široce dostupný materiál, protože využívá odpadní produkty například ze zemědělství, lesnictví nebo zahradnictví. Recyklace těchto odpadů tedy výrazně snižuje environmentální zátěž. Navíc přírodní hie-rarchická pórovitost biomasy zvyšuje kapacitu a zlepšuje transport iontů uvnitř materiálu. Přesto však tvrdý uhlík z biomasy trpí několika nedostatky, mezi které patří zejména nízká počáteční coulombická účinnost (ICE) a někdy i horší cyklická stabilita.
Tradičně byla výkonnost anody pro sodíko-iontové baterie předpovídána na základě jednoho fyzikálně-chemického parametru, například povrchové plochy nebo obsahu uhlíku. Novější studie však ukazují, že kapacita a účinnost závisí na celé řadě parametrů, včetně struktury pórů, chemického složení povrchu, velikosti domén a dalších vlastností. Zde přichází ke slovu strojové učení (ML). Vstupními daty jsou fyzikálně-chemické vlastnosti materiálu, jako například porozita, obsah uhlíku, vodíku, dusíku a síry, výsledky Ramanovy spektroskopie, XPS analýzy, počet cyklů a proudová hustota (takzvaný C-rate). Pro modelování jsou nejčastěji využívány umělé neuronové sítě s více vrstvami a různými aktivačními funkcemi, které umožňují zachytit nelineární vztahy mezi vstupními parametry a výslednou kapacitou anody. Výsledné modely dosahují vysoké přesnosti predikce, často s koeficientem determinace R² vyšším než 0,99, a umožňují tak optimalizovat proces syntézy i provozní podmínky anody.
Inspirací pro tento výzkum byla práce vědců z Alagappovy univerzity v indickém Karaikudi, která navrhla využití tvrdého uhlíku z pomerančových slupek (AOPDHC) jako anody pro sodíko-iontové baterie, avšak bez experimentálního ověření. Využili proto strojového učení k predikci reverzibilní kapacity tohoto materiálu. Maximální předpovězená kapacita dosáhla hodnoty 341,1 mAh g-¹ při proudové hustotě 100 mA g-¹ a počáteční coulombické účinnosti 48 %. Naopak minimální kapacita byla odhadnuta na 170,3 mAh g-¹ při stejné proudové hustotě a ICE 43 %. Výsledky ukázaly, že počáteční coulombická účinnost je zásadním faktorem ovlivňujícím využitelnou kapacitu anody.
Výsledné vlastnosti tvrdého uhlíku jsou silně ovlivněny typem biomasy, podmínkami karbonizace a případnými následnými úpravami. Optimální teplota karbonizace se pohybuje v rozmezí 1200 až 1400 °C, kdy dochází k tvorbě grafitických domén a redukci otevřených pórů, což zvyšuje kapacitu i ICE. Původ biomasy také hraje významnou roli, protože různé druhy biomasy, například dřevo, slupky nebo kukuřičné klasy, vedou k odlišné morfologii uhlíku a tím i k různým elektrochemickým vlastnostem. Dále pórovitost a povrchová chemie materiálu ovlivňují jak kapacitu, tak stabilitu anody; hierarchická pórovitost a přítomnost funkčních skupin jsou důležité pro optimalizaci těchto parametrů.
Existují dva hlavní mechanismy ukládání sodíku v tvrdém uhlíku. Prvním je adsorpce sodíkových iontů na povrchu pórů a defektů, která probíhá při vyšších napětích a je zodpovědná za počáteční kapacitu. Druhým mechanismem je interkalace sodíku mezi grafitické domény, která probíhá při nižším napětí a je klíčová pro dlouhodobou cyklickou stabilitu a vysokou kapacitu. Výzkumy ukazují, že optimalizace poměru mezi těmito dvěma mechanismy, například úpravou teploty karbonizace či chemickou funkcionalizací povrchu, může výrazně zvýšit výkon anody.
Navzdory pokroku existují stále výzvy, které je třeba překonat. Nízká počáteční coulombická účinnost většiny tvrdých uhlíků odvozených z biomasy, která obvykle nepřesahuje 80 %, omezuje využitelnou kapacitu v prvních cyklech. Nicméně nové postupy, jako je prodloužené zrání materiálu nebo optimalizace elektrolytu, mohou ICE zvýšit až na 98 %, což je zásadní pro praktické využití. Další výzvou je stabilita při opakování tohoto cyklu, protože některé materiály trpí degradací. Zlepšení lze dosáhnout například povrchovou úpravou nebo přidáním ochranných vrstev. Z hlediska ekonomiky výroby je třeba zmínit, že ačkoliv biomasa je levná a dostupná, některé následné úpravy, jako dvoustupňová karbonizace nebo funkcionalizace, mohou zvýšit náklady, a proto je nutné hledat kompromis v poměru cena výkon.
Díky strojovému učení se tak dá rychleji předpovídat výkon nových materiálů bez nutnosti náročných a časově zdlouhavých experimentů. Dále to umožňuje optimalizaci syntézy, protože lze předem určit, jaké podmínky karbonizace či úpravy povedou k požadovaným vlastnostem. Navíc ML modely pomáhají identifikovat klíčové parametry, například velikost pórů nebo obsah heteroatomů, které nejvíce ovlivňují výkon anody.
S ohledem na limity testované biomasy tak mezi klíčové směry dalšího výzkumu patří vývoj nových typů biomasy a jejich kombinací pro dosažení optimální struktury uhlíku. Dále je podle vědců potřeba využívat pokročilé metody charakterizace, jako jsou in-situ spektroskopie nebo 3D zobrazování, pro detailní pochopení mechanismů ukládání sodíku. Integrace strojového učení do celého vývojového cyklu – od návrhu materiálu přes syntézu až po testování v reálných bateriích – tak představuje další významný krok vpřed.*
-kce-
