pH值对PAA粘结剂功效的影响

2天前浏览9

硅基负极材料是最有希望取代石墨成为下一代的高性能锂离子电池负极材料。然而，在循环过程中，硅基负极材料在嵌脱锂过程中体积变化巨大(可高达400%), 这会导致颗粒粉碎、固体电解质界面（SEI）不稳定和电极涂层剥离等后果，从而导致电池循环寿命的快速衰减。因此，开发适应于大体积形变的硅基负极的粘结剂成为了近年来大家关注的重点，本文则选择了其中一个最为常用的粘结剂——聚丙烯酸（PAA）为例，详细介绍一下pH对其粘结剂功效的影响。

pH值对PAA粘结剂的影响主要体现在以下几个方面：

1.离子电导率：

研究表明，pH值对PAA粘结剂中的离子电导率影响较小。如图1所示，研究者通过加不同量的碱（LiOH, NaOH和NH3）来调控PAA粘结剂溶液的pH值，然后通过CV和EIS测试并计算出所得粘结剂膜的锂子电导率。

图1.碱与PAA单体的摩尔比对所得粘合剂溶液pH的影响

计算结果如表1所示，虽然EIS测试得到的离子电导率比CV测试得到的电导率数值要高得多，但它们两者得到的趋势是一致的：pH值的变化对PAA离子电导率几乎没有什么影响；而LiOH的加入却能显著提升锂离子电导率。这是因为LiOH的加入引入了额外Li⁺，促进Li⁺在粘结剂中的运输。

表1.通过CV和EIS测试计算出粘合剂膜的离子电导率

2.颗粒分散和混合：

增加pH值有利于PAA粘结剂中颗粒的分散和混合，这对于提高电极材料的均匀性和性能是有益的。如图2所示，研究者测试了具有不同pH值和阳离子的PAA溶液的流变行为。以原始PAA(2)的粘度（在0.1s-1的剪切速率下：0.2 PaS）作为参考，随着pH值的增大，PAA的粘度显著增加。高粘度可以减缓颗粒的沉淀和聚集来提高浆料的稳定性。同时PAA的剪稀效应也随着pH值的增大而增强，意味着中和后的PAA溶液的粘度随着剪切力的增大降低得更加迅速，这有利于促进搅拌过程中颗粒在浆料中的分散。

图2.在不同剪切速率下的PAA、LiOH-PAA和NH3-PAA粘合剂溶液的粘度

3.粘结力：

增加pH值会降低PAA的粘结力，不利于电极的结构稳定性。这意味着虽然pH值可以改善颗粒的分散性，但可能会牺牲电极的结构稳定性。具有不同粘结剂的极片的剥离测试结果如图3所示，以NH₃-PAA系列粘结剂为例，发现平均剥离力会随着粘结剂pH的增加而降低。从图4中可以看到使用NH₃-PAA（7）粘结剂时电极会发生明显的分层，这一规律也适用于LiOH-PAA(4.5)和LiOH-PAA(7)体系中。

图3.使用不同粘合剂制造的硅负极的剥离测试结果：（a）每单位宽度的负载与位移的关系，以及（b）相应的平均值。

图4.a）使用NH3-PAA（7）粘结剂发生电极分层现象的负极和（b）使用NH3-PAA（3.5）粘结剂连接良好的负极的代表性SEM横截面图像

综上所述，pH值对PAA粘结剂的影响是多方面的，既包括对离子电导率的微小影响，也涉及到颗粒分散、粘度和粘结力等方面。在实际应用中，需要根据具体需求调整pH值，以达到最佳的性能平衡。

参考文献

1. Sun, F. & Wheeler, D. The Effects of LithiumIons and pH on the Function of Polyacrylic Acid Binder for Silicon Anodes. J. Electrochem.Soc., 170, 080502 (2023).

2. B. Hu, S. Jiang, I. A. Shkrob, J. Zhang, S. E.Trask, B. J. Polzin, A. Jansen, W. Chen, C. Liao, and Z. Zhang, J. PowerSources, 416, 125 (2019).

来源：锂电芯动

从建模到验证：如何打造“高可信”仿真模型？

仿真模型作为“预演现实”的核心工具，在航天、汽车、生物医学甚至金融预测中都有广泛应用。但如果模型不准，就会导致预测失真、决策失误，甚至造成不可逆的损失。本文将从定义、影响因素、评估方法到实战建议，系统梳理一套科学判断仿真模型准确性的完整路径，帮助你在项目实践中少走弯路。一、为什么“仿真模型准确性”如此关键？仿真模型的本质，是用“虚拟世界”预测“现实行为”。它的准确性直接决定了分析、预测和决策的可靠性。无论是新飞机的气动性能预测，还是医疗设备的功能模拟，又或是股票市场的走势分析，一旦模型出现偏差，可能就意味着：项目方向错误，资源浪费；产品性能不达标，安全隐患；决策失误，经济损失或信任危机。因此，“准确性评估”绝不只是最后一个步骤，而是整个仿真建模流程中的灵魂所在。二、仿真模型准确性：我们到底在判断什么？准确性，指的是模型输出结果与现实系统行为之间的接近程度。通俗点说：预测结果≈真实结果→模型越准。数学上，我们通常通过误差值（如均方误差MSE、相对误差RE）来衡量这个“接近程度”。模型预测值与真实观测值的偏差越小，准确性越高。三、影响仿真模型准确性的五大关键因素1.建模假设是否合理？为了简化计算，我们经常对系统做假设处理，例如：忽略次要变量；线性近似处理非线性系统；假设环境因素恒定不变等。但如果这些假设与实际系统偏差过大，就会导致模拟结果严重失真。建议：建立假设前进行影响评估，建模后用数据进行反验证。2.模型结构设计是否匹配系统复杂性？过于简单：无法模拟系统真实动态；过于复杂：增加成本、降低泛化性，甚至陷入过拟合。建议：遵循“适度原则”，通过验证指标选择最适用的模型架构。3.参数来源是否准确可靠？模型中的很多参数无法直接测量，需要通过实验估算或查文献获得，易产生：测量误差；假设不确定性；多来源数据冲突等。建议：进行敏感性分析+参数优化策略（如贝叶斯优化）。4.数值计算误差是否被忽视？在计算过程中，硬件精度限制和算法特性会产生：舍入误差；截断误差；累计误差。这些误差在多轮迭代下可能迅速放大。建议：使用高精度算法+误差追踪机制+多软件交叉验证。5.输入数据质量是否过关？数据是模型运行的“燃料”。若存在以下问题，将直接影响仿真输出：缺失值；异常点；噪声干扰；数据不一致。建议：采用数据清洗+标准化+缺失值插补等数据预处理流程。四、如何系统评估仿真模型的准确性？方法一：系统分析法方法名称作用描述敏感性分析测试模型对不同输入变化的响应程度灵敏度分析检查模型对小幅扰动是否存在剧烈波动可重复性检验相同输入是否产生一致输出，反映稳定性方法二：结果分析法方法名称作用描述专家评审利用专业经验判断模型合理性和可用性误差分析量化模型输出与实际值之间的偏差验证实验将模型预测与实际实验对比，看吻合度对比分析将多个模型或方法进行横向对比，选择最优者五、实战最佳实践建议构建闭环建模迭代流程建模：根据实际问题搭建初始模型验证：用实际数据检验输出合理性修正：基于偏差调整模型结构或参数再验证：确认修正是否提升准确性这个流程应不断循环进行，直到模型达到可接受精度。建议组建跨学科评估团队建议团队成员包括：工程师（负责模型搭建与实现）统计学家（进行误差评估与数据分析）领域专家（验证模型的合理性与实用性）通过多方合作，提升模型判断的全面性与专业性。建立可追溯的验证文档体系记录以下内容：模型构建假设、参数设置、计算方法；所用数据集来源、处理方法；每次迭代验证的指标与结果对比。文档不仅提升透明度，也是后续优化的关键依据。六、结语：未来仿真建模的五大提升方向面对日益复杂的系统建模需求，建议从以下五个方向继续发力：引入AI技术（如深度学习）：处理非线性、海量数据建模；强化多源数据融合：提升鲁棒性与覆盖面；自适应建模机制：让模型自我调整、自我修正；发展云仿真/实时仿真技术：提升仿真效率与交互性；推进跨学科协同建模平台：整合知识体系，提升集成度。