本發(fā)明涉及電池領域，尤其涉及一種通過自驅動優(yōu)化多孔結構加速充電動力學的方法。

背景技術：

1、多孔電極是一些化學電源很重要的組件之一，在開發(fā)高性能的超級電容器中也起到了關鍵作用。多孔電極是指其中存在許多孔洞，并且孔洞之間保證要有一定的連通性，通過一定的外部條件，可以使流體在孔洞內流動的固體電極。多孔電極結構通常可分為固相電極骨架和孔隙兩大部分，而多孔電極內部電解液流動有時候可視為流體與孔隙結構耦合一體為多相體系。

2、超級電容器，又稱雙電層電容器，是介于傳統(tǒng)物理電容器和電池之間的一種較佳的儲能元件，既有化學電池的高比能量也有傳統(tǒng)物理電容器的高比功率的優(yōu)點。雙電層電容器的基本原理是利用帶電多孔電極材料吸附電解質中的離子，正極和負極的多孔電極材料微孔表面分別吸附相反電荷的離子，在電極/電解質界面形成雙電層來存儲能量。相對于傳統(tǒng)電池而言，超級電容器具有高功率密度、長循環(huán)壽命、快速充放電和寬溫度范圍的特點。

3、在傳統(tǒng)的多孔電極中，孔隙結構限制了電荷傳輸速率，因為電荷在孔隙中的擴散路徑較長，導致充電過程緩慢。一種常見的加速充電的方法是通過調控孔隙結構，如控制孔隙大小、分布和形狀，來提高電荷傳輸速率。通過減小孔隙尺寸，可以縮短電荷在孔隙中的擴散路徑，從而加快充電速度。此外，還可以增加孔隙的連通性，提高電荷在電極中的傳輸效率。另一種方法是改變多孔電極的材料，以提高導電性和電化學活性。例如，選擇導電性較好的材料作為電極基底，可以減小電荷傳輸?shù)淖杩梗岣叱潆娝俣?。同時，選擇具有較高電化學活性的材料作為電極，可以增加電荷與電解液之間的反應速率，進一步加快充電過程。

4、傳統(tǒng)方法在多孔電極動力學過程的處理中，往往采用一定程度的簡化，一般將其化簡為二維模型或者一維模型，其多孔結構的構建往往并不能真實反映出真實的結構信息。因此，會帶來較大偏差。在孔隙網絡模型出現(xiàn)之前，通常使用傳統(tǒng)的物理實驗方法或者經驗性的經驗模型來研究介質的孔隙結構和傳輸特性。對于物理手段，使用物理實驗手段(如滲透實驗、壓汞實驗等)來測定介質孔隙結構參數(shù)，并觀察流體在介質中的傳輸行為。該方法實驗過程較為困難，且成本高耗時長，不利于高效研究與推廣。之前的理論研究方面主要使用經驗模型與數(shù)值模擬，利用已知的介質孔隙結構和傳輸特性的經驗性模型，對新的介質進行估算或預測。這些模型可能基于經驗公式、經驗參數(shù)或者類比方法。或者使用數(shù)值計算方法(如有限元法、有限差分法等)對介質的孔隙結構和流體傳輸行為進行模擬和計算，以得到介質的孔隙網絡信息。這兩種方法通常都因為其過度簡化而面臨偏差過大的問題。此外，經驗模型難以對于新型體系進行推廣，并且傳統(tǒng)有限元計算方法在復雜的幾何與邊界條件下耗時長或難以收斂。

技術實現(xiàn)思路

1、為了克服上述技術缺陷，本發(fā)明的目的在于提供一種通過自驅動優(yōu)化多孔結構加速充電動力學的方法。

2、為此，本發(fā)明提供一種通過自驅動優(yōu)化多孔結構加速充電動力學的方法，使用孔隙網絡模型來描述多孔結構，并通過自動優(yōu)化框架來加速充電動力學過程，包括如下步驟：

3、步驟s1，使用模擬退火算法從掃描電子顯微鏡(sem)圖中重建多孔電極的三維結構；即利用sem掃描多孔電極，獲取參考圖像；通過圖像分割技術，識別參考圖像中的固相和孔相；生成具有與參考圖像相同孔隙率的隨機初始3d體素點云；應用嵌套多分辨率分層模擬退火算法，通過改變體素的相位(固相或孔相)，隨機重建點云，使其特征逐漸接近于參考圖像；將重建的3d體素點云轉換為具有孔相和固相的體積數(shù)據。

4、步驟s2，采用最大球算法從多孔電極中提取出孔隙網絡的拓撲結構；提取孔隙相的代表性基本體積(rev)；選擇rev中的任何體素點，并在其周圍的特定方向上搜索相鄰的體素點；根據體素的形成范圍，使用收縮算法找到最大球及其半徑的上下限，確定最大球的大小和位置；按照上述方法繼續(xù)查找下一個最大球；將所有最大球分類為孔隙或喉道。

5、步驟s3，基于提取的孔隙網絡，構建超級電容器的孔隙網絡模型；根據提取的孔隙網絡和超級電容器的設計要求，確定孔隙幾何形狀和尺寸分布、引入電極和電解質材料以及確定界面特征參數(shù)，完成構建超級電容器的孔隙網絡模型。將多孔電極看作為一個由許多不同的球形孔和圓柱形喉道組成的有序或無序的孔隙網絡。在本發(fā)明中，球棍模型和立方體-長方體模型分別用于表征多孔電極和體相的孔隙網絡。

6、步驟s4，將孔隙網絡模型轉化為等效電路模型，推導出電位弛豫時間τφ和濃度弛豫時間τc的表達式。通過簡化的poisson-nernst-planck(pnp)方程，對局部靜電勢φ(x,t)和離子濃度c(x,t)進行建模。簡化的方程假設孔隙中電中性，單價鹽溶液，并且陰離子和陽離子具有相同的擴散系數(shù)。

7、步驟s5，將遺傳算法與推導出的弛豫時間表達式結合起來，通過優(yōu)化多孔結構的結構參數(shù)，自動搜索最小的弛豫時間。優(yōu)化過程如下：

8、初始化個體(即孔隙排列的一種方式)和種群(即多種孔隙排列方式)并對其進行編碼；在滿足終止條件之前，進行解碼個體的適應度計算、父代選擇、交叉和變異操作；終止后，選擇適應度最好的個體(即最優(yōu)的孔隙排列方式)作為最優(yōu)解。

9、進一步的，通過簡化孔隙網絡模型的拓撲結構和幾何形狀，將其轉化為傳輸線模型和疊層電極模型，提高模型的計算效率和適用性，并且保持對無序多孔結構的準確描述。

10、進一步的，所述步驟s4中，建立微分方程來描述電荷、電勢或濃度的變化規(guī)律，對局部靜電勢φ(x,t)和離子濃度c(x,t)進行建模，假設孔隙中電中性，單價鹽溶液，并且陰離子和陽離子具有相同的擴散系數(shù)，則孔隙i中的相應電勢φi(t)和離子濃度ci(t)公式如下：

11、多孔電極

12、

13、體相

14、

15、其中，ci是孔隙i的電容，vi是孔隙i的體積，zi是孔隙i的連接度，zcount是對離子價，f是法拉第常數(shù)，是孔隙i和孔隙j之間的擴散電導，是孔隙i和孔隙j之間的離子電導；電容ci和電導的計算公式為：

16、

17、其中，tr為d或ω，si是孔隙i的表面積減去喉道ij的橫截面積，ε0是真空介電常數(shù)，εr是溶液的相對介電常數(shù)，是孔隙i的德拜長度，d是離子的擴散系數(shù)，ai是孔隙i或喉道ij的橫截面積，li是孔隙i或喉道ij的長度，r是理想氣體常數(shù)，t是溫度。

18、進一步的，所述步驟s4中，初始時的離子濃度是均勻的，并且正電勢+ψ和負電勢-ψ分別施加在陰極和陽極上，初始條件為：

19、i.c.ci(t＝0)＝c0

20、φcathode(t＝0)＝+ψ＝vvm

21、φanode(t＝0)＝-ψ＝-vvm，

22、其中，c0是初始離子濃度，v是熱電壓的比例因子，vm＝(kbt)/e是熱電壓，其中kb是玻爾茲曼常數(shù)，e是元電荷。

23、進一步的，τc的計算是通過改變電容器和電阻器的物理意義來擴展等效電路模型，其中電容等于孔隙的體積，電阻等于導管的擴散電導的倒數(shù)。

24、進一步的，步驟s4中，基于等效電路模型，采用弛豫時間τ來描述電勢和濃度達到平衡的時間，超級電容器的充電過程使用電位弛豫時間τφ和濃度弛豫時間τc來描述，τφ和τc分別是矩陣m(n×n)和n(n×n)的第二最小特征值λmin2，公式如下：

25、

26、其中，min2()是求第二小值的函數(shù)，eig()是求矩陣的特征值的函數(shù)，-1是求矩陣的逆的運算符，c(n×n)和v(n×n)分別是對應每個孔隙的電容c和體積v權重的對角矩陣，和是帶有每個喉道離子導電率gω和擴散導電率gd權重的拉普拉斯矩陣，m(n×n)和n(n×n)包含了孔隙網絡的所有異質結構參數(shù)，包括孔隙和喉道的位置、連接性、幾何參數(shù)，以及電解質的屬性，包括離子的初始濃度和擴散系數(shù)。

27、進一步的，步驟s4中，在孔隙網絡模型中進行弛豫時間的數(shù)值計算驗證解析解的結果，根據純指數(shù)級的電荷積累，定義孔隙i中的時間依賴函數(shù)τφ，i(t)和τc,i(t)，計算公式如下：

28、

29、τφ，spnp(t)＝max(τφ，i|τφ，i(t)＝t)

30、τc,spnp(t)＝max(τc，i|τc,i(t)＝t)

31、其中，下標eq和0分別表示平衡狀態(tài)和初始狀態(tài)，τi等于τi(t)和y＝x的交點處的值，系統(tǒng)的弛豫時間定義為所有孔隙中最大的τφ,i和τc,i的值。

32、進一步的，步驟s5中，遺傳算法基于候選解的種群在自然多樣性和選擇性操作的影響下進行進化，不需要考慮目標函數(shù)是否可微分，并且直接進行迭代計算。

33、進一步的，本方法采用多尺度建模、數(shù)值模擬和實驗驗證相結合的方法，用于找到電極最佳的結構參數(shù)，結構參數(shù)包括孔徑分布、連通性分布、孔隙率和電解質的性質

34、采用了上述技術方案后，與現(xiàn)有技術相比，具有以下有益效果：

35、1.可以同時解決無序多孔結構描述準確性、模型可轉換性(即模型的“基礎結構”是否相同)、快速計算弛豫時間和直接輸入實驗測量結構參數(shù)的問題。在兼顧精度和求解成本的條件下，更準確地描述和更全面地優(yōu)化多孔碳基電極中的充電動力學。

36、2.本發(fā)明提出的自驅動優(yōu)化框架將弛豫時間表達式和遺傳算法耦合，可以快速找到最佳的結構參數(shù)，如孔徑分布、連通性分布和孔隙率，甚至電解質的性質，并不需要大量實驗數(shù)據就能實現(xiàn)多孔電極的優(yōu)化，從而加速多孔碳基電極的充電動力學。

37、3.本發(fā)明提供了一個通用的圖像-結構-性能-優(yōu)化平臺，用于理解和加速多孔電極中的充電動力學。未來，可以在pnm中執(zhí)行更準確的控制方程，比如，考慮離子大小的改進poisson-nernst-planck(mpnp)方程，以在孔徑更小的系統(tǒng)中實現(xiàn)更現(xiàn)實的模擬。