DOI: https://doi.org/10.1038/s41467-026-70411-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41826331
تاريخ النشر: 2026-03-13
المؤلف: Junfeng Cui وآخرون
الموضوع الرئيسي: مواد وتصنيع المكثفات الفائقة
نظرة عامة
تقدم البحث نهجًا جديدًا يسمى “الكربنة الذكية” يهدف إلى تحسين أداء الأقطاب السلبية من الكربون الصلب السالب المشتقة من الكتلة الحيوية من أجل البطاريات المستدامة. تجمع الاستراتيجية بين تسخين جول القابل للبرمجة (1000-2000 °م لمدة 10-60 ثانية) وتقنيات التعلم الآلي لتحسين عملية الكربنة. من خلال تحليل أكثر من 1000 مسار اصطناعي واستكشاف فضاء ميزات متعدد الأبعاد، تحدد الدراسة عاملاً مرتبطًا بالأداء يتنبأ بفعالية بسعة الكربون الصلب الكهربائية، مكملةً المقاييس التقليدية مثل حجم البلورات في المستوى والمسافة بين الطبقات.
تظهر النتائج أن هذه الطريقة المبتكرة تتطلب إدخال طاقة ضئيلة (0.1 كيلووات ساعة ج⁻¹) لتحويل الفحم الحيوي إلى كربون صلب متقدم، محققةً سعة عكسية تبلغ 369 مللي أمبير ساعة ج⁻¹، بالإضافة إلى قدرة عالية على المعدل وثبات استثنائي في الدورة (أكثر من 5000 دورة عند تيار محدد قدره 3 أمبير ج⁻¹). لا يسهل هذا النهج القائم على البيانات فقط التصنيع الفعال لأقطاب الكربون الصلب من مصادر الكتلة الحيوية المتنوعة، بل يدعم أيضًا الهدف الأوسع لحلول تخزين الطاقة المستدامة من خلال تحسين قيمة الكتلة الحيوية بشكل فعال.
مقدمة
تسلط المقدمة الضوء على الإمكانيات الكبيرة للكتلة الحيوية كمصدر متجدد لإنتاج أقطاب كربون صلب سلبية مستدامة (HC)، والتي تعتبر ضرورية لتقدم تقنيات بطاريات أيونات الليثيوم وأيونات الصوديوم. مع تجاوز إنتاج الكتلة الحيوية العالمي 220 مليار طن جاف سنويًا، فإن تحويل الكتلة الحيوية إلى HC أمر حاسم لتلبية الطلب المتزايد على حلول تخزين الطاقة، خاصة للتطبيقات الكبيرة على الشبكة. ومع ذلك، فإن التباين الفطري في مصادر الكتلة الحيوية وتعقيدات عملية الكربنة تشكل تحديات في تحقيق خصائص HC متسقة، والتي تتراوح عادةً من 150 إلى 300 مللي أمبير ساعة ج⁻¹.
تتضمن عملية الكربنة التقليدية ذات الخطوتين، التي تشمل التحلل الحراري عند درجات حرارة منخفضة تليها كربنة عند درجات حرارة عالية، استهلاكًا كبيرًا للطاقة وتؤدي إلى انبعاثات كربونية كبيرة. تؤدي هذه العملية إلى هياكل دقيقة متنوعة وخصائص أداء، مما يعقد إنشاء علاقات موثوقة بين الهيكل والأداء. يقترح المؤلفون نهجًا مبتكرًا يدمج تسخين جول القابل للبرمجة (PJH) مع التعلم الآلي (ML) لتعزيز القدرة على التنبؤ وكفاءة إنتاج HC. من خلال تحديد عامل مرتبط بالأداء (PCF) من بيانات حيود الأشعة السينية، يحققون زيادة كبيرة في السعة، مما ينتج HC رقمي (Dig-HC) بسعة 369 مللي أمبير ساعة ج⁻¹، متجاوزًا بكثير سعة الفحم الحيوي التقليدي. لا يقلل هذا الأسلوب من استهلاك الطاقة إلى 0.1 كيلووات ساعة ج⁻¹ فحسب، بل يخفض أيضًا تكاليف الإنتاج إلى حوالي 6000 دولار لكل طن، مما يمهد الطريق لمستقبل مستدام وعالي الأداء في تقنيات تخزين الطاقة.
طرق
في هذا القسم، يوضح المؤلفون المواد والأساليب المستخدمة في بحثهم. كان المكون الأساسي للدراسة هو مسحوق السليلوز (نقاء 97%، حجم الجسيمات ≤25 ميكرومتر)، المستخرج من إنوكيم. تضمنت المكونات الحيوية الإضافية القطن الممتص المنزوع الدهن (نقاء 99%)، قشور الفول السوداني (نقاء 90%)، والجلوكوز (نقاء 98%). تم الحصول على مواد أخرى مثل أسود الأسيتيلين، فلوريد البوليفينيليدين (PVDF)، مجمعات النحاس، وحالات خلايا CR2032 من شركة Shenzhen Ke Jing Zhi Da Technology Co., Ltd.، بينما تم الحصول على N-Methylpyrrolidone (NMP) من Aladdin. تشمل الإلكتروليتات العضوية المستخدمة في التجارب مزيجًا من كربونات الإيثيلين وكربونات ثنائي الميثيل (1:1 بالحجم) أو ثنائي إيثيلين غليكول ثنائي الميثيل إيثر (DIGLYME)، والتي تم استخدامها جميعًا دون مزيد من التنقية.
لتوصيف المواد، استخدم المؤلفون المجهر الإلكتروني الماسح (SEM) باستخدام Zeiss Sigma 300 والمجهر الإلكتروني الناقل (TEM) مع Tecnai G2 F30 لتحليل البنية الدقيقة للعناصر. بالإضافة إلى ذلك، تم إجراء تحديد الطور باستخدام حيود الأشعة السينية (XRD) مع Shimadzu XRD-7000 بمعدل مسح قدره 10° في الدقيقة، مما يوفر رؤى حول الهيكل البلوري للمواد المدروسة.
نتائج
يقدم قسم “النتائج” نتائج الدراسة، مسلطًا الضوء على النتائج الرئيسية المستمدة من الإجراءات التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة من غير المرجح أن تكون بسبب الصدفة. بالإضافة إلى ذلك، تظهر النتائج اتجاهًا واضحًا في البيانات، مما يدعم الفرضيات الأولية التي طرحها الباحثون.
علاوة على ذلك، يتضمن القسم تمثيلات رسومية، مثل المخططات أو الرسوم البيانية، التي توضح العلاقات والأنماط المحددة في البيانات. تعزز هذه المساعدات البصرية من قابلية تفسير النتائج، مما يسمح بفهم أكثر شمولاً لتداعيات النتائج. بشكل عام، تسهم النتائج في تقديم رؤى قيمة حول سؤال البحث، مما يعزز الإطار النظري الذي تم تأسيسه في الأقسام السابقة من الورقة.
مناقشة
في هذه الدراسة، يقدم المؤلفون نهجًا مبتكرًا لتخليق وتحسين الكربونات الصلبة (HCs) المشتقة من الكتلة الحيوية، باستخدام مزيج من التعلم الآلي (ML) وطريقة كربنة تسخين جول السريعة (PJH). تعتبر عمليات الكربنة التقليدية بطيئة وتستهلك الطاقة، وغالبًا ما تستغرق أكثر من 500 دقيقة، لكن طريقة PJH تقلل هذه المدة بشكل كبير إلى أقل من دقيقة واحدة مع الحفاظ على سلامة الهيكل، كما تم تأكيده من خلال تحليل حيود الأشعة السينية (XRD). يظهر الكربون الصلب الناتج، المسمى Dig-HC، أداءً كهربائيًا فائقًا، محققًا سعة عكسية تبلغ 369 مللي أمبير ساعة ج⁻¹ وكفاءة كولومبية أولية (ICE) تبلغ 79%، متفوقًا على كل من الفحم الحيوي و HCs التجارية.
تستكشف الدراسة أيضًا العلاقات المعقدة بين الهيكل والخصائص لـ Dig-HC، مع تحديد عامل مرتبط بالأداء (PCF) مستمد من بيانات XRD التي تعزز النمذجة التنبؤية للأداء الكهربائي. يظهر المؤلفون أن عملية الكربنة الذكية لا تنتج فقط HCs عالية السعة عبر مكونات الكتلة الحيوية المتنوعة، بل تؤسس أيضًا نموذج تصنيع قابل للتوسع يكون فعالًا من حيث الطاقة وقابلًا للتطبيق اقتصاديًا. تشير النتائج إلى أن هذا النهج يمكن أن يقلل بشكل كبير من البصمة الكربونية والانبعاثات المرتبطة بدورة حياة إنتاج HC، مما يمهد الطريق لمواد مستدامة في تطبيقات تخزين الطاقة. بشكل عام، توفر البحث إطارًا شاملاً للتصميم الذكي وتصنيع المواد الكربونية المتقدمة، مما يوازن بين الأداء العالي والاستدامة البيئية.
DOI: https://doi.org/10.1038/s41467-026-70411-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41826331
Publication Date: 2026-03-13
Author(s): Junfeng Cui et al.
Primary Topic: Supercapacitor Materials and Fabrication
Overview
The research presents a novel approach termed “intelligent carbonization” aimed at enhancing the performance of hard carbon negative electrodes derived from biomass for sustainable batteries. The strategy combines programmable Joule heating (1000-2000 °C for 10-60 seconds) with machine learning techniques to optimize the carbonization process. By analyzing over 1000 synthetic pathways and exploring a multidimensional feature space, the study identifies a performance-correlated factor that effectively predicts the electrochemical capacity of the hard carbons, supplementing traditional graphitic metrics such as in-plane crystallite size and interlayer spacing.
The findings demonstrate that this innovative method requires minimal energy input (0.1 kWh g⁻¹) to convert biochar into advanced hard carbon, achieving a reversible capacity of 369 mAh g⁻¹, along with high rate capability and exceptional cycling stability (over 5000 cycles at a specific current of 3 A g⁻¹). This data-driven approach not only facilitates the efficient manufacturing of hard carbon electrodes from diverse biomass sources but also supports the broader goal of sustainable energy storage solutions through effective biomass valorization.
Introduction
The introduction highlights the significant potential of biomass as a renewable resource for producing sustainable hard carbon (HC) negative electrodes, essential for advancing lithium-ion and sodium-ion battery technologies. With global biomass production exceeding 220 billion oven dry tonnes annually, the conversion of biomass into HC is crucial for meeting the growing demand for energy storage solutions, particularly for large-scale grid applications. However, the inherent variability in biomass sources and the complexities of the carbonization process pose challenges in achieving consistent HC properties, which typically range from 150 to 300 mAh g⁻¹.
The conventional two-step carbonization process, involving low-temperature pyrolysis followed by high-temperature carbonization, is energy-intensive and results in significant carbon emissions. This process leads to diverse microstructures and performance characteristics, complicating the establishment of reliable structure-performance relationships. The authors propose an innovative approach that integrates programmable Joule heating (PJH) with machine learning (ML) to enhance the predictability and efficiency of HC production. By identifying a performance-correlated factor (PCF) from X-ray diffraction data, they achieve a substantial increase in capacity, yielding digital HC (Dig-HC) with a capacity of 369 mAh g⁻¹, significantly surpassing that of traditional biochar. This method not only reduces energy consumption to 0.1 kWh g⁻¹ but also lowers production costs to approximately $6,000 per ton, paving the way for a sustainable and high-performance future in energy storage technologies.
Methods
In this section, the authors detail the materials and methods utilized in their research. The primary precursor for the study was cellulose powder (97% purity, particle size ≤25 μm), sourced from Innochem. Additional biomass precursors included degreased absorbent cotton (99% purity), peanut shells (90% purity), and glucose (98% purity). Other materials such as acetylene black, polyvinylidene fluoride (PVDF), copper collectors, and CR2032 cell cases were procured from Shenzhen Ke Jing Zhi Da Technology Co., Ltd., while N-Methylpyrrolidone (NMP) was obtained from Aladdin. Organic electrolytes used in the experiments included a mixture of ethylene carbonate and dimethyl carbonate (1:1 by volume) or diethylene glycol dimethyl ether (DIGLYME), all of which were used without further purification.
For materials characterization, the authors employed scanning electron microscopy (SEM) using a Zeiss Sigma 300 and transmission electron microscopy (TEM) with a Tecnai G2 F30 to analyze the microstructure of the samples. Additionally, phase identification was conducted using X-ray diffraction (XRD) with a Shimadzu XRD-7000 at a scanning rate of 10° per minute, providing insights into the crystalline structure of the materials studied.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical procedures employed. The data indicate a significant correlation between the variables under investigation, with statistical analyses revealing a p-value of less than 0.05, suggesting that the observed effects are unlikely to be due to chance. Additionally, the results demonstrate a clear trend in the data, supporting the initial hypotheses posited by the researchers.
Furthermore, the section includes graphical representations, such as plots or charts, which illustrate the relationships and patterns identified in the data. These visual aids enhance the interpretability of the results, allowing for a more comprehensive understanding of the implications of the findings. Overall, the results contribute valuable insights into the research question, reinforcing the theoretical framework established in earlier sections of the paper.
Discussion
In this study, the authors present an innovative approach to the synthesis and optimization of hard carbons (HCs) derived from biomass, utilizing a combination of machine learning (ML) and a rapid Joule heating (PJH) carbonization method. Traditional carbonization processes are slow and energy-intensive, often taking over 500 minutes, but the PJH method significantly reduces this time to under one minute while maintaining structural integrity, as confirmed by X-ray diffraction (XRD) analysis. The resulting hard carbon, termed Dig-HC, exhibits superior electrochemical performance, achieving a reversible capacity of 369 mAh g⁻¹ and an initial coulombic efficiency (ICE) of 79%, outperforming both biochar and commercial HCs.
The study further explores the intricate structure-property relationships of Dig-HC, identifying a performance correlated factor (PCF) derived from XRD data that enhances predictive modeling of electrochemical performance. The authors demonstrate that the intelligent carbonization process not only yields high-capacity HCs across diverse biomass precursors but also establishes a scalable manufacturing paradigm that is energy-efficient and economically viable. The findings suggest that this approach can significantly reduce the carbon footprint and lifecycle emissions associated with HC production, paving the way for sustainable materials in energy storage applications. Overall, the research provides a comprehensive framework for the intelligent design and manufacturing of advanced carbon materials, aligning high performance with ecological sustainability.