一种判断Li/Na离子在二维层状MoS2中最佳储量的方法

本发明属于li或na离子电池，具体涉及一种判断li/na离子在二维层状mos2中最佳储量的方法。

背景技术：

1、li离子电池和na离子电池是两种常见的可充电电池，li/na离子电池的高能量密度、快速充放电能力、低自放电率、适用性广泛引起了极大的关注。它们的各种优异特性使其在移动电子设备、电动汽车以及储能系统等领域有广泛的应用价值。然而，目前缺乏合适的电极材料仍是限制li/na离子电池大规模应用的主要障碍之一。

2、二维层状结构的mos2由于具有较大的层间距和较高的理论储能容量，被认为是新一代高性能二次离子电池理想的电极材料。与金属氧化物、金属磷化物等电极材料相比，mos2具有以下优点：①层状的mos2具有大的比表面积，可以更好地吸收电解质，并确保活性物质与电解质的充分接触，从而降低电极反应时的阻抗；②mos2的层间存在比较多活性位点，便于li/na离子吸附及电化学反应的产生；③mos2相邻层之间的空间空隙比较大，对li/na离子迁移的阻碍较小，从而可以实现快速的离子扩散；④mos2可变的层状结构有利于缓解li/na离子嵌入/脱出时所产生的体积膨胀，从而增强电极材料的循环稳定性。因此，二维层状mos2非常适合作为li/na离子电池的电极材料。

3、然而目前li/na离子插入mos2的动力学过程不明确，也缺乏一种可以预测li/na离子在二维层状mos2中最佳储量的方法。

技术实现思路

1、为了解决上述技术问题，本发明提供了一种判断li/na离子在二维层状mos2中最佳储量的方法，并可清晰展示li或na离子插入mos2的动力学过程，将为li/na离子电池电极材料的制备提供理论依据。

2、本发明具体是通过如下技术方案来实现的。

3、一种判断li/na离子在二维层状mos2中最佳储量的方法，包括以下步骤：

4、s1、构建li或na离子插入二维层状mos2的结构模型，并获取数据集；

5、s2、通过机器学习训练数据集，获取可精确描述li或na离子插入二维层状mos2体系的势函数；

6、s3、应用所述势函数作为分子动力学模拟的相互作用势，模拟li/na离子插入二维层状mos2的分子动力学过程，直至插层结构稳定时，获得li/na离子与mo最佳比例，即为li/na离子在二维层状mos2中最佳储量。并获取li/na离子插入双层mos2过程的信息，预测最佳储量结构。

7、本发明还对上述预测数据进行验证，方法为：基于密度泛函理论(densityfunctional theory,dft)，计算预测得到的最佳储量结构的电压和形成能，并与其他储量结构的电压和形成能进行比较，验证并最终确定li/na离子插入二维层状mos2的最佳储量。

8、在本发明优选的实施例中，s1中，以材料的晶体结构为基础，构建出单层和双层mos2结构、li或na离子吸附到双层mos2上的结构和li或na离子吸附到单层mos2表面上的结构，对构建的多种结构进行分子动力学模拟，之后在所述分子动力学模拟的轨迹中提取出部分结构进行dft计算，得到对应结构的能量和力数据，作为数据集。

9、需要说明的是，本发明之所以进行上述结构的构建是基于双层mos2结构特征进行考虑的，在双层mos2结构中，层间相互作用可能会影响li/na离子的插入行为，通过构建单层和双层结构，可以了解层间相互作用对离子插入性能的影响。li/na离子吸附到mos2表面是离子插入过程的关键步骤。通过构建离子吸附到单层和双层mos2上的结构，可以研究离子与mos2表面的相互作用，包括吸附能及离子在表面的扩散行为等。这些信息对于理解离子插入的动力学和热力学过程至关重要，是构建准确势函数的关键步骤。

10、在本发明优选的实施例中，数据集中的数据按照5：1的比例随机分为训练集和测试集。

11、在本发明优选的实施例中，构建的多种结构的数量为14种，对每种结构进行分子动力学模拟，然后从模拟的每个结果中提取500个结构进行能量和力的计算，得到7000组数据，作为数据集。

12、在本发明优选的实施例中，s2中，选择深度神经网络模型作为机器学习的模型，采用深度势能方法中的描述符作为描述符，tanh函数作为激活函数，以及反向传播算法共同作为整个模型的框架；数据集中的数据经描述符转化成为相对位置向量后输入模型中进行训练，在此过程中反向传播误差，不断地更新权值参数和偏执参数，最后构建出势函数。

13、在本发明优选的实施例中，神经网络势函数模型中，输入层的数据经深度势能方法中的描述符变化后变为相对位置向量，然后与权值参数进行线性组合后传入隐藏层节点，在节点处由tanh函数进行非线性变换，经过一系列隐藏层后，数据传入输出层；同时，采用反向传播算法计算每个参数的自适应学习率，在整个过程中不断的反向传播误差，以减少误差为目的的修正神经网络的权重参数，最后将系统中的每一个离子能量累加即得到系统总能量e，即训练得到势函数。

14、在本发明优选的实施例中，反向传播算法中梯度下降法是其最重要的基础及技术，梯度下降法的步长取决于学习率η，在此采取一种能计算每个参数自适应学习率的adam算法。

15、在本发明优选的实施例中，用势函数来作为分子动力学模拟的相互作用势，使用分子动力学软件，每隔一秒向mos2双层结构中加入两个li离子或na离子，直至插层结构稳定不变时，分别获得对应的li离子或na离子插入数量，获得最佳li/na离子与mo的比例，再用势函数分别对最佳比例下的li/na插层结构进行结构优化。

16、其中，插层结构稳定不变是指，往双层mos2中添加锂钠离子，并观察插层结构的变化，当插层离子的数量过多时，随着分子动力学模拟的进行，多余的离子会从二硫化钼夹层中溢出，最终离子数达到最佳状态，当插层离子数量达到最佳时，插层结构也稳定不变。

17、在本发明优选的实施例中，还包括对li/na离子在二维层状mos2中最佳储量进行验证的过程，包括以下步骤：

18、用势函数分别对最佳比例下的li/na插层结构进行结构优化，基于密度泛函理论，计算预测得到的最佳储量结构的电压和形成能，并与其他储量结构的电压和形成能进行比较，验证并最终确定li/na离子插入二维层状mos2的最佳储量。

19、比较不同li/na离子与mo比例对应的电压和形成能，电压为最低且形成能相对较低时，对应的li/na离子与mo比例为最佳储量。参考条件主要以电压为主，形成能在整个插层过程中随着插层原子数量增加在逐步增大，由电压公式可以看到，计算得到的电压是两个相邻插层比例之间的电压，具体这两个插层比例下哪个性能是最佳的，可参考其形成能(形成能越低性能，性能越好)。

20、其中，na离子形成能计算公式为：

21、ef(x)＝e(naxmos2)-e(mos2)-xe(na)

22、其中，e(naxmos2)代表插层结构的总能量，e(mos2)代表电极材料mos2的能量，e(na)表示na原子的能量；

23、na离子电压计算公式为：

24、

25、其中，e(x1)和e(x2)表示相邻插层数量下插层结构的能量，x1和x2表示相邻的插层比例，e(na)表示na原子的能量；

26、li离子形成能计算公式为：

27、ef(x)＝e(lixmos2)-e(mos2)-xe(li)

28、其中，e(lixmos2)代表插层结构的总能量，e(mos2)代表电极材料mos2的能量，e(li)表示li原子的能量；

29、li离子电压计算公式为：

30、

31、其中，e(x1)和e(x2)表示相邻插层数量下插层结构的能量，x1和x2表示相邻的插层比例，e(li)表示li原子的能量。

32、本发明与现有技术相比具有如下有益效果：

33、本发明先对li/na离子插入二维层状mos2进行模型构建，获得数据集，之后基于机器学习训练数据集，获取描述li/na离子插入二维层状mos2体系的势函数，再利用分子动力学方法模拟li/na离子插入二维层状mos2的分子动力学过程，获得li/na离子在二维层状mos2中最佳储量，通过密度泛函理论验证，精准预测了mos2作为电池阳极材料存储li/na离子的最佳储存量，为li/na离子电池的制备提供理论依据。