锂电池|创腾直播 | 人工智能与分子模拟在锂电池领域中的应用( 二 )


MaXFlow · 电解液筛选
通过MaXFlow平台的量化方法与高通量计算获得分子前线轨道、化学硬度、偶极矩、氧化还原电位等基本参量从而对电解液分子化学活性进行表征 。 最终可以在众多的电解液分子中筛选出更优的分子结构 。
MaXFlow · 氧化还原电位
通常比较分子前线轨道能量判断其化学活性 , 为了更可靠的筛选 , 可以计算分子的氧化还原电位 。 MaXFlow可以实现不同条件下分子能量的计算与后期的数据处理 , 计算完成后可以直接输出相应的参数 , 不需再次的手动处理数据 。

锂电池|创腾直播 | 人工智能与分子模拟在锂电池领域中的应用
文章图片

MaXFlow · 锂离子的溶剂化结构
通过分子动力学模拟电池电解液 , 分析锂离子在不同温度、电解液中配位情况 , 获取锂离子与电解液分子的配位数 。

锂电池|创腾直播 | 人工智能与分子模拟在锂电池领域中的应用
文章图片
J. Phys. Chem. C 2017, 121, 16098?16109
MaXFlow · 离子电导率
离子电导率可以通过分子动力学中离子的均方根位移评价 , 传统模拟需要分别提交不同条件下的动力学计算任务 , 通过MaXFlow平台可以实现批量化任务的条件设置与模拟计算 。 从而将模拟的效率进一步提升 。

锂电池|创腾直播 | 人工智能与分子模拟在锂电池领域中的应用
文章图片
International Journal of Hydrogen Energy 45(2020) 25960-2596
MaXFlow · 膜材料力学性质
SEI膜的机械性能决定了其稳定性 , 通过分子动力学的方法可以获取膜材料的杨氏模量、剪切模量等参数 , 从而快速评价不同组分膜材料的机械性能 。
MaXFlow · 机器学习应用于电池健康评估和电池优化设计
健康状态估计和最佳电极设计是电池研究中的两个关键挑战 , 但很少有研究将两者一起讨论 。 利用机器学习方法可将材料特性纳入健康状态评估 , 提供材料特征重要性的定量洞察 , 为电池电极设计提供多目标化优化框架 , 同时实现长循环寿命、高活性材料负载和快速动力学 。
(https://doi.org/10.1016/j.apenergy.2021.118165)

锂电池|创腾直播 | 人工智能与分子模拟在锂电池领域中的应用
文章图片

推荐阅读