Binnen het steeds evoluerende landschap van batterijmaterialen krijgt vanadaat (MVO) meer aandacht als veelbelovende anode voor lithium-ion batterijen. Vanadaten zijn verbindingen gebaseerd op het overgangsmetaal vanadium en zuurstof, waarbij ook andere metaalionen (zoals ijzer, kobalt of nikkel) kunnen worden toegevoegd in de structuur.
Wat vanadaat aantrekkelijk maakt, is de hoge theoretische capaciteit, lage kosten en de brede beschikbaarheid van vanadium in de aardkorst. Vanadium wordt wereldwijd gewonnen, onder meer in Zuid-Afrika, China en Rusland, en is bekend van de toepassing in redox-flow batterijen, staalveredeling en katalyse. Binnen lithium-ion batterijen is vanadaat vooral interessant als alternatief voor gangbare grafietanodes vanwege zijn hogere energiedichtheid (theoretisch >400 mAh/g tegenover ~372 mAh/g voor grafiet), betere spanningsprofielen en potentieel hogere oplaadsnelheden.
Toch worden vanadaat-anodes in de praktijk nog beperkt toegepast. De voornaamste drempels zijn chemische instabiliteit, volumeveranderingen tijdens cycli en een relatief lage geleidbaarheid. Door het materiaal op nanoschaal te ontwerpen en de juiste chemische elementen te selecteren, kunnen deze barrières echter worden verminderd. En juist daarin speelt het nieuwe onderzoek uit China een rol.
Data-analyse met machine learning legt verband bloot
Onderzoekers verzamelden experimentele gegevens over diverse vanadaatcombinaties en pasten een reeks machine learning-technieken toe om het effect van verschillende materiaaleigenschappen op de prestaties te analyseren. Vooral de ontladingscapaciteit na stabilisatie – een maat voor bruikbare energie – stond centraal. Uit de statistische correlatie-analyse bleek dat de elektronegativiteit van het metaalion M in MVO direct samenhangt met de capaciteit: hoe hoger de elektronegativiteit, hoe beter de prestaties van de anode.
Het meest nauwkeurige voorspellingsmodel was gebaseerd op een combinatie van Adaboosting en een decision tree-algoritme. Deze benadering leverde een hoge R²-waarde op van 0,89 bij het trainen van het model, en 0,81 bij het testen op nieuwe data – wat wijst op een sterke voorspellende waarde.
SHAP-analyse bevestigt doorslaggevende rol
Om inzicht te krijgen in de relatieve invloed van de invoervariabelen, gebruikten de auteurs SHAP (SHapley Additive exPlanations) – een populaire methode om machine learning-uitvoer te verklaren. Daaruit bleek dat de ionaire elektronegativiteit veruit de belangrijkste bijdrage levert aan de voorspelde capaciteit van vanadaat-anodes.
Deze conclusie is van belang voor materiaalonderzoek, omdat het een concreet selectiecriterium biedt bij het ontwerpen van nieuwe negatieve elektrodematerialen. De onderzoekers suggereren dat dit soort data-gedreven methodologie ook toepasbaar is op andere materiaaltypes, bijvoorbeeld voor natrium-ion of solid-state batterijen.
Versnelling van batterijontwikkeling
De resultaten van het onderzoek onderstrepen de potentie van kunstmatige intelligentie en big data in batterijonderzoek. Door het combineren van materiaaldata, wiskundige correlaties en algoritmes ontstaat sneller inzicht in welke materiaaleigenschappen cruciaal zijn. Volgens de auteurs kan deze aanpak leiden tot een versnelling in de zoektocht naar betere, goedkopere en duurzamere elektrodematerialen voor toekomstige generaties batterijen.
Bron: HGXX
