Интеллектуальная карбонизация на основе данных объединяет различную биомассу в высокоэффективный твердый углерод для отрицательных электродов

Превращение растительных отходов в лучшие аккумуляторы

Современная жизнь зависит от перезаряжаемых аккумуляторов, но материалы внутри них часто дефицитны, дороги и производятся с большим углеродным следом. В этом исследовании показано, как повседневная растительная масса — например, хлопок, сельскохозяйственные отходы и скорлупа орехов — может быть быстро преобразована в новый тип материала для аккумуляторов с помощью термической обработки, управляемой данными. Результат — более чистый и дешевый способ получения высокоэффективных электродов для аккумуляторов нового поколения на литиевой и натриевой основах, которые критичны для электромобилей и крупномасштабного хранения энергии из возобновляемых источников.

Почему растения — перспективный ресурс энергии

Биомасса ежегодно производится в колоссальных объемах и широко доступна в виде сельскохозяйственных и промышленных отходов. Если этот растительный материал можно превратить в полезные компоненты для аккумуляторов, это позволит превратить проблему утилизации в ресурс для чистой энергии. Интересующий материал — «твердый углерод», неупорядоченная форма углерода, которая особенно хорошо работает в качестве отрицательного электрода в натрий‑ионных батареях, более дешевой альтернативе современным литий‑ионным элементам. Проблема в том, что разные растения имеют сильно отличающуюся структуру и химию, а традиционные печные обработки медленные, энергоемкие и дают непостоянные результаты. Именно эта вариабельность мешала применению твердых углеродов из биомассы в надежном промышленном производстве в больших объемах.

Новый подход к нагреву и обучению

Авторы предлагают «интеллектуальную карбонизацию», которая сочетает ультрабыстрый нагрев и машинное обучение. Вместо того чтобы запекать растительные прекурсоры в печи в течение часов при более чем 1400 °C, они сначала получают простой промежуточный материал — биочар, а затем пропускают его через программируемую стадию джоульевского нагрева, которая вспыхивает до 1000–2000 °C всего на 10–60 секунд. Это резко сокращает энергопотребление — до примерно 0,1 кВт·ч на грамм, что составляет лишь небольшую долю энергии, затрачиваемой на производство исходного биочара — при этом перераспределяя углерод на атомном уровне. Поскольку каждое протекание занимает менее минуты, команда может быстро исследовать сотни режимов нагрева и передавать полученные данные о характеристиках в модели машинного обучения, которые ищут оптимальные условия.

Поиск скрытой структурной «сладкой точки»

Чтобы понять, почему одни образцы аккумулируют больше заряда, чем другие, исследователи использовали рентгеновскую дифракцию, которая показывает, как расположены углеродные слои. Традиционные критерии фокусируются на размере графитовых доменов и расстоянии между слоями. Обучив нейронную сеть на собственных данных и на значениях, извлеченных из предыдущих исследований, команда обнаружила новый комбинированный индикатор, который они назвали фактором, коррелирующим с производительностью. Этот фактор по сути измеряет степень упорядоченности в плоскости слоев относительно общего кристаллического содержания. Высокие значения указывают на наличие широких, хорошо организованных листов углерода, которые не слишком плотно уложены, а также на закрытые поры подходящего размера. Эти свойства дают ионам натрия (и лития) достаточно пространства, чтобы проскользнуть между слоями или сгруппироваться внутри пор, что повышает емкость и скорость без чрезмерного необратимого захвата ионов.

От разнородных исходников к однородной производительности

Вооружившись этой структурной «отпечаткой», система машинного обучения может работать в обратном направлении: она предсказывает, какие условия нагрева обеспечат желаемую внутреннюю архитектуру, а затем в реальном времени рекомендует параметры процесса. Используя эту петлю, исследователи получили то, что они называют цифровым твердым углеродом, который обеспечивает примерно 369 мА·ч обратимой емкости на грамм — более чем вдвое больше по сравнению с исходным биочаром и выше, чем коммерческий ориентир по твердому углероду — и выдерживает более 5000 быстрых циклов заряд/разряд. Что примечательно, начиная с очень разных прекурсоров, включая хлопок, арахисовую шелуху и простой сахар, путь интеллектуальной карбонизации настроил каждый материал на почти одинаковую внутреннюю структуру и схожую емкость около 340 мА·ч на грамм. Это демонстрирует, что метод способен нейтрализовать природную вариабельность биомассы и давать предсказуемые, качественные продукты.

Более чистые аккумуляторы из обычных растений

Для неспециалистов основной вывод в том, что авторы создали некий «умный духовой шкаф» для материалов на растительной основе. Он быстро нагревает, измеряет внутреннюю структуру на ходу и использует алгоритмы, чтобы направлять процесс к лучшему по характеристикам углероду каждый раз. По сравнению с традиционными методами такая интеллектуальная карбонизация существенно сокращает потребление энергии, выбросы углерода и производственные затраты, одновременно превращая разнородные растительные отходы в стабильный, высокоэффективный материал для электродов. При масштабном внедрении это может помочь сделать натрий‑ионные и улучшенные литий‑ионные батареи дешевле, более долговечными и экологичными, поддерживая более чистую и устойчивую энергосистему.

Цитирование: Cui, J., Rao, Y., Gao, J. et al. Data-driven intelligent carbonization unifies diverse biomass into high-performance hard carbon negative electrodes. Nat Commun 17, 3885 (2026). https://doi.org/10.1038/s41467-026-70411-5

Ключевые слова: твердый углерод из биомассы, натрий‑ионные аккумуляторы, машинное обучение материалы, устойчивые электроды, джоульевский нагрев