镍电极在充放电过程中的XRD原位观测

Ｎｉ（ＯＨ）２在不同的充放电条件下会发生多种晶型转变，这些变化与ＭＨ－Ｎｉ电池的性能有关。尤其是过充或大电流充电时生成的γ－ＮｉＯＯＨ可造成镍电极膨胀、开裂甚至失效，严重影响镍氢电池使用寿命。由于γ－ＮｉＯＯＨ不稳定，易自放电，常规研究方法很难定量考察充电过程中生成γ－ＮｉＯＯＨ的准确数量。Ｘ射线衍射原位测量技术可有效地在充放电过程中对氢氧化镍正极结构变化进行观测。本文采用该实验技术对氢氧化镍正极活性物质结构变化进行了动态研究。研究表明Ｎｉ（ＯＨ）２晶格缺陷和晶体结构无序化导致Ｘ射线衍射（ＸＲＤ）谱线宽化，具有ＸＲＤ谱线宽化特别是（１０１）谱线宽化特征的镍正极有较高的电化学活性。添加ＺｎＯ可抑制充电时生成γ－ＮｉＯＯＨ的数量，并运用ＸＲＤ定量分析γ－ＮｉＯＯＨ含量的方法计算了此时镍电极在充电状态下γ／（γ＋β）的比值为１４．２％。

MH-Ni电池1.2V放电电压平台的电化学研究

MHNi电池放电电压平台是一个十分复杂的问题,涉及电极材料、制作工艺及添加剂等多种因素。由于MHNi电池工作机理是基于电化学反应过程,因此这些因素的影响最终会通过电化学反应反映到电池的放电性能上。从电化学角度利用暂态测试技术———电流阶跃法对MHNi电池放电过程中影响电压变化的因素进行了研究,初步弄清了造成MHNi电池1.2V电压平台衰减的电化学原因。结果表明,MHNi电池的重要电化学参数———欧姆内阻与放电电压平台有着重要关系。不同欧姆内阻的MHNi电池,其1.2V放电电压平台衰减规律不尽相同。对于欧姆内阻较小的电池,1.2V放电电压平台主要由非欧姆极化控制;欧姆内阻较大的电池,1.2V放电电压平台主要由欧姆极化控制;欧姆内阻介于二者之间时,1.2V放电电压平台由欧姆极化和非欧姆极化联合控制。研究中还发现,放电进入末期时,MHNi电池的非欧姆极化急剧上升导致电池电压迅速下降到放电截止电压。

镍氢电池在放电过程中的电极极化

利用暂态技术电流阶跃法对镍氢电池的正负极在放电过程中的电化学极化、浓差极化及欧姆极化进行了研究。镍氢电池放电电压的衰减主要是由正极衰减引起的，浓差极化又是正极衰减的主要原因。负极的电化学极化和浓差极化随放电深度的增加而变大，但电化学极化增加的幅度较小。

基于人工神经网络的金属土壤腐蚀预测方法

将神经网络用于金属土壤腐蚀研究，利用神经网络的学习特征和高度的非线性特征，以土壤理化性能、腐蚀时间、Ａ３钢在土壤腐蚀试验１、２、８个月的腐蚀数据作为网络训练样本，对土壤中埋片２４个月的Ａ３钢腐蚀速率进行预测，并对结果进行了分析。

氢氧化镍电极材料微结构特性的分析方法

根据Ｘ射线衍射（ＸＲＤ）分析、拉曼散射谱（ＲａｍａｎＳｐｅｃｔｒｏｓｃｏｐｙ）和电子显微术等方法，结合我们的研究实践，探讨了ＭＨ－Ｎｉ电池用氢氧化镍电极材料微结构特性及其分析研究方法。高性能氢氧化镍粉末粒子是由许多带微孔的微晶组成的，其Ｘ射线衍射谱线呈各向异性宽化特征，由ＸＲＤ确定的微晶结构参数，可以用于建立氢氧化镍正极活性物质的利用率与这些微结构参数之间的关系。拉曼谱是迄今用于分析镍电极材料微细结构的最灵敏和最有效的方法之一，而电子显微术可以直接、有效地表征这些镍电极颗粒的微结构特征。ＸＲＤ和Ｒａｍａｎ谱可以有效地用于预测氢氧化镍电极的电化学效率。

氢氧化镍电极材料γ-NiOOH的定量相分析

γ－ＮｉＯＯＨ 是β－Ｎｉ（ＯＨ）２ 的过充电产物，它是在大电流充放电和高电解液浓度等条件下形成的［１］。电极中γ－ＮｉＯＯＨ的生成将导致电极的膨胀（由β－Ｎｉ（ＯＨ）２ 转变成γ－ＮｉＯＯＨ，体积增加４４％ ），使其机械稳定性变差和容量衰减，从而加速了电极的老化和循环寿命的缩短。采用参考强度计算法可以直接、无损地测定氢氧化镍电极材料中γ相的含量，为电极材料的研制与性能控制，提供了重要的参数依据。根据正极材料中存在相的晶体结构参数和原子位置，计算得γ－ＮｉＯＯＨ 的（００３）衍射强度与β－ＮｉＯＯＨ 的（００１）衍射强度之比的参考强度Ｋ＝ ２．８３。

RE贮氢合金充放电过程的原位XRD观测

采用原位X射线衍射 (XRD)观测稀土贮氢合金在初始充放电过程的结构变化。在第 1周期以 1 5 0mA/ g充电 1 6 5min ,贮氢合金的谱线发生宽化 ,但无明显的结构相变 ;在第 2周期充电 1 2h发生α→β转变 ,合金电极处于平台区 ,5 0mA/ g放电至 - 0 .6V时出现新的氢化物相即γ相 ,它是α/ β相界面内应力产生的 ;在第 3周期充电后γ相先是增加 ,然后减少 ,放电后 β相含量减少 ,γ相渐渐消失。稀土贮氢合金在初始几周充放电过程中的相结构转变机制与氢压下的活化机制相似 。

神经网络在金属土壤腐蚀研究中的应用

利用人工神经网络从已有的土壤腐蚀试验数据中通过训练求得土壤的理化性能与碳钢在土壤中的腐蚀速度之间的非线性关系，从而预测碳钢在土壤中的腐蚀速度采用的神经网络结构为５—８—１的形式，学习算法采用ＢＰ算法．结果表明，含水量和Ｃｌ－离子是影响碳钢土壤腐蚀的主要因素．