电能储存,走在不断优化的路上

《电能储存,走在不断优化的路上》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、电能储存，走在不断优化的路上叶晓劼/编译●手机电池、太阳能电池及显示屏等器件通常是以厘米为度量单位，而它们的性能和其性能的改进量，却是取决于其纳米层面。2013年的IPF会议讨论了纳米工艺中的一个关键技术：电量存储。众所周知，这一技术与电动车的发展息息相关。原子层沉积如何在功能材料的表面涂上原子级的涂层一直是表面科学研究中的主要内容。来自Ultratech公司的加尼甚·孙达拉姆（GaneshSundaram）为大家简述了工业应用中的方法之一，即原子层沉积（ALD）。ALD的目标非常简单：在目标物体表面上涂覆原子级的化合物，例如二氧化钛。该类元素或其“先导”物质——钛，会在真空状

2、态下的基板上形成飘荡的气体形态。一旦单层发生沉积后，氩气，氮气或其他惰性气体便会把过量的先导物质从反应锅中清除出来。接着，第二步气体中的氧气，会漂浮在其表面上，与第一步中气体进行反应，从而形成单化合物。接着第二步气体中的过量原子会被清除。其反应的步骤应是吹扫清除出第一步中的气体，然后清除第二步中的其他，如此反复进行吹扫，直至达到所希望的化合物层厚度。正如孙达拉姆解释，ALD有四个显著的优势。首先，ALD是一种低温工艺。大多数的沉积层发生于低于300℃的温度，这就意味ALD可以用于塑料衬底上。第二，ALD具是自限性：当第二步中的气体原子无法与第一步中的气体原子发生反应时，化合物层

3、的沉积就会停止。第三，由于化合物层是通过气相表面反应得到的，所以ALD的涂层表面都会非常均匀，即使原表面存在如凸出，凹陷或其他复杂的三维几何形状。最后，这些涂层薄到甚至可以模拟出薄膜层中均匀混合入掺杂剂的效果。ALD的主要缺点在于其缓慢的反应速度。尽管涂层可以在几分钟内进行沉积，但这层是非常薄的，这也就意味需要花上一个小时才能生成所要求厚度的涂层。为了加快这一反应过程，Ultratech与其他公司在一同开发“空间系统”，在这套系统中，相关元件如同汽车装配线上的产品一样，依循传统的ALD沉积周期的时间序列，线性排列出经过沉积室的反应顺序。ALD的出现深化了电子行业中高强度化合物薄

4、层的应用，尤其是内存芯片的制造。除此之外孙达拉姆还提出了其他三个应用：锂离子电池，太阳能电池，有机发光二极管（OLED）。对于电池的相关应用，孙达拉姆引用了其合作者的科研工作，来自科罗拉多大学的李世熙（Se-HeeLee）。通过以往研究可以表明，涂覆有10-100纳米的LiCoO2的金属氧化物层可以提升电池性能。Lee发现当借助ALD来沉积出只有0.3纳米厚度的金属氧化层后，将会有更可观的性能提升。经过120次循环充电，ALD涂层电极可以保留多达89％的电量，远远优于使用厚涂层电极所保留45％的电量。在太阳能电池应用中，ALD通过减小吸收器分离窗口中的缓冲层厚度来提升性能。孙达

5、拉姆解释道，OLED电视屏幕就可以做到在更少功率条件下，表现出比液晶或等离子屏幕更佳的性能。但是OLED非常容易受到水汽损害。他们不能容忍超过一天10-6g/m2的水汽传输速率。超薄ALD层可以保护有机发光二极管不受到此类影响。可充电固态电池特斯拉跑车使用的锂电池来自科罗拉多州立大学的艾米·普列托（AmyPrieto）借助一张特斯拉跑车的照片拉开了主题为锂离子电池的演说。特斯拉跑车由6831块锂离子电池和中置发动机组成，这台后轮驱动的汽车从0到60英里/时的加速时间只需要3.7秒，其一次充电行驶距离甚至可以达到244公里。但汽车锂离子电池也存在明显缺点。它需要长达16小时的完全

6、充电。普列托还说在某些司法管辖区内，电池是被标示为潜在危险，所以除非已被相关专业技术团队证明其安全状态，当消费者面对一台损坏特斯拉车时，强烈建议消费者不要进入车辆内部。普列托为大家展望了一个更安全且充电更迅速的电池目标。并努力使其得到最终的商业化，这其中她希望开发出的电池不会出现极端温度，使用已有和廉价的材料进行制作，并且环保。固态电池往往比电池使用更安全的液体成分，充电和放电中最关键的过程就是锂离子的扩散，而液体扩散速度要远远快于固体扩散速度。普列托的设计力求保持固体状态的安全性，同时又通过创新的结构设计，降低了锂离子的扩散时间。普列托首先用市售的铜泡沫进行试验，铜泡沫是由1

7、0％的铜线和90％的空气组成。电池的阳极被浸泡在室温下的柠檬酸溶液中通过电镀铜泡沫与铜或锑制成的金属材料行反应。锂离子会通过阳极和电解质到达另一个薄固体层——电池阴极。电解质会将一层特有的聚合层沉积在电池的阳极上。由于阴极是由碳制成，所以它将最后形成包裹层。普列托选择Cu2Sb进行试验源于此种金属间具有类似硅晶体的开放结构，可以轻松容纳锂离子。使用聚丙烯腈作为电解质，效果很好。为什么电池无法达到预期目标对于大型元器件中的纳米级优化问题的深入，劳伦斯伯克利国家实验室（LBNL）的蒂芬·哈里斯（