[发明专利]一种硫掺杂预锂化硅碳复合材料及其制备方法有效
申请号: | 202010540999.4 | 申请日: | 2020-06-15 |
公开(公告)号: | CN111740084B | 公开(公告)日: | 2021-11-23 |
发明(设计)人: | 许晓落;庞成志;魏智伟;安静 | 申请(专利权)人: | 石家庄尚太科技股份有限公司;山西尚太锂电科技有限公司 |
主分类号: | H01M4/36 | 分类号: | H01M4/36;H01M4/48;H01M4/62;H01M10/0525 |
代理公司: | 北京细软智谷知识产权代理有限责任公司 11471 | 代理人: | 宋艳艳 |
地址: | 052460 河北省*** | 国省代码: | 河北;13 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 掺杂 预锂化硅碳 复合材料 及其 制备 方法 | ||
本发明涉及一种硫掺杂预锂化硅碳复合材料及其制备方法。所述制备方法为:将有机硫化合物添加至氧化石墨烯溶液中,均匀搅拌后得溶液a;向溶液a中加入有机锂及有机溶剂,密封搅拌均匀后得溶液b;向溶液b中加入一氧化硅并搅拌均匀,之后加热加压进行反应,过滤后干燥得复合材料中间体;将复合材料中间体置入惰性气氛内进行碳化,完成后即得硫掺杂预锂化硅碳复合材料。本发明通过在一氧化硅中掺杂有机硫和有机锂,在形成硅酸锂提高材料首次效率的同时,同时形成“—Li‑S—”结构和“—CO‑NH—”结构提高材料的结构稳定性和比容量,并提高其材料的循环性能。
技术领域
本发明属于锂离子电池制备领域,具体涉及一种硫掺杂预锂化硅碳复合材料及其制备方法。
背景技术
随着锂离子电池对能量密度要求的提高,要求负极材料具有高的能量密度及其电化学性能,而硅碳材料以其比容量高等特点而应用于高能量密度电池领域,但是其硅碳材料自身导电率差,膨胀大、首次效率低及其循环差等缺点而限制其应用。
发明内容
为了解决现有技术存在的问题,本发明提供了一种硫掺杂预锂化硅碳复合材料及其制备方法。针对目前硅碳材料电子导电率差,循环过程中膨胀造成结构稳定性差,造成其循环性能差等方面的缺陷,本发明通过在一氧化硅中掺杂有机硫和有机锂,在形成硅酸锂提高材料首次效率的同时,同时形成“—Li-S—”结构提高材料的结构稳定性和比容量,并提高其材料的循环性能。
本发明的方案是,提供一种硫掺杂预锂化硅碳复合材料的制备方法,包括如下步骤:
(1)将有机硫化合物添加至氧化石墨烯溶液中,均匀搅拌后得溶液a;
(2)向步骤(1)所得溶液a中加入有机锂及有机溶剂,密封搅拌均匀后得溶液b;
(3)向步骤(2)所得溶液b中加入一氧化硅并搅拌均匀,之后加热加压进行反应,过滤后干燥得复合材料中间体;
(4)将步骤(3)所得复合材料中间体置入惰性气氛内进行碳化,完成后即得硫掺杂预锂化硅碳复合材料。
优选地,步骤(1)中,所述有机硫化合物为甲硫氨酸、半胱氨酸或2-巯基乙醇中的一种。
优选地,步骤(1)中,所述氧化石墨烯溶液的浓度为0.1~1wt.%;所述氧化石墨烯中羟基、羧基共同占比为0.5~2%。
优选地,步骤(2)中,所述有机锂为甲基锂,正丁醇锂,正丁基锂或叔丁基锂中的一种。
优选地,步骤(2)中,所述有机溶剂为N-甲基吡咯烷酮。
优选地,所述有机硫化合物、氧化石墨烯、有机锂和有机溶剂的重量比为10:0.1~1:1~5:100。
优选地,所述一氧化硅与溶液b的重量比为100:100~500。
优选地,步骤(3)中,所述加热的温度为100~200℃,所述加压的压力为1~5Mpa,所述反应的时间为1~24h。
优选地,步骤(4)中,所述碳化的温度为800~1100℃,碳化的时间为1~12h。
基于相同的技术构思,本发明再提供一种由上述制备方法得到的硫掺杂预锂化硅碳复合材料。
本发明的设计思路为:
提高硅碳材料的电导率方法之一是掺杂导电率高的石墨烯等导电率材料,同时进行掺杂改性提高材料的比容量及其降低其膨胀,通过上述措施之一或复合,则可以在提高其材料电导率的同时,材料的比容量及其膨胀也能得到改善,并进行预锂化,使硫与锂形成结构牢固的结构,在提高材料的首次效率的同时,材料的结构稳定性也能得到改善,提高其循环性能。
本发明的有益效果为:
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于石家庄尚太科技股份有限公司;山西尚太锂电科技有限公司,未经石家庄尚太科技股份有限公司;山西尚太锂电科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010540999.4/2.html,转载请声明来源钻瓜专利网。
- 上一篇:一种显示面板及显示装置
- 下一篇:一种采样框的生成方法、训练方法以及神经网络