一种结合机器学习可解释性分析的LLZTO界面改性方法

本发明涉及固态电池电解质的技术领域，具体涉及一种结合机器学习可解释性分析的LLZTO界面改性方法。该方法包括在LLZTO固态电解质主体表面沉积金属改性层，制备过程中不使用任何液态溶剂；所述改性层选自Sn、In、Ag、Cu、Ni中的至少一种金属，采用物理气相沉积方法(优选磁控溅射)形成5–10μm的连续致密包覆层，从而改善LLZTO与金属锂的界面润湿性与离子迁移效率。所述LLZTO优选为LiAlLaZrTaO，经高温固相合成、烧结和抛光处理后进行改性。该方法进一步结合机器学习建模与SHAP可解释性分析，识别和量化金属种类、涂层厚度、界面阻抗、润湿性及晶粒尺寸等因素对临界电流密度(CCD)的影响程度。通过阻抗与循环性能测试验证结果表明，本发明能够有效抑制锂枝晶生长，显著提升LLZTO界面稳定性和电池循环寿命，适用于固态电池的界面工程设计与性能优化。