Исследование микроструктур для проектирования аккумуляторов - литий-ионное аккумуляторное оборудование

Исследователи из Имперского колледжа Лондона показали, как машинное обучение может помочь в разработке более эффективных литий-ионных и топливных литий-ионных аккумуляторов, сообщают СМИ. Новый алгоритм машинного обучения позволяет исследователям исследовать возможные конструкции микроструктуры литиевых и литий-ионных батарей, работающих на топливе, а затем запускать 3D-имитационные модели, чтобы помочь исследователям внести изменения, улучшающие производительность батареи.

Улучшения производительности включают более быструю зарядку смартфонов, расширенный запас хода электромобилей и увеличенную мощность литий-ионных аккумуляторов, работающих на водородном топливе, в центрах обработки данных.

Литиевые батареи, работающие на топливе, могут использовать чистое водородное топливо из таких источников, как ветер и солнечная энергия, для выработки тепла и электроэнергии, в то время как литий-ионные батареи в смартфонах, ноутбуках и электромобилях также являются популярной формой хранения энергии. Производительность обоих тесно связана с их микроструктурой: форма и расположение небольших отверстий внутри батареи будут влиять на энергию, вырабатываемую литиевой батареей, работающей на топливе, а также на скорость зарядки и разрядки батареи. (Оборудование для литий-ионных аккумуляторов)

Однако, поскольку поры настолько малы, в микронном масштабе может быть трудно изучить конкретную форму и размер таких пор с достаточно высоким разрешением, чтобы соотнести их с общей производительностью батареи.

Теперь исследователи из Имперского колледжа использовали методы машинного обучения, чтобы помочь им виртуально исследовать такие поры и запускать 3D-имитационные модели, чтобы предсказать производительность батареи на основе ее микроструктуры.

Используя новую технику машинного обучения, называемую «глубокими сверточными генеративно-состязательными сетями» (DC-GAN), основанную на обучающих данных, полученных из наноразмерной визуализации на синхротроне, ускорителе частиц размером с футбольное поле, исследователи учатся генерировать данные 3D-изображений микроструктур батареи.

Андреа Гайон-Ломбардо, ведущий автор исследования из Департамента наук о Земле и инженерии Imperial, сказала: «Наша техника позволяет нам увеличивать масштаб батарей и элементов, чтобы увидеть, какие характеристики влияют на общую производительность. Разработка этой техники машинного обучения на основе изображений может предоставить новые способы анализа изображений такого размера».

При запуске 3D-имитационных моделей для прогнозирования производительности батареи исследователи хотят, чтобы объем данных был достаточно большим, чтобы быть статистически репрезентативным для всей батареи. В настоящее время трудно получить данные изображений большого количества микроструктур с высоким разрешением. Тем не менее, исследователи обнаружили, что код может быть обучен генерировать большие наборы данных с теми же свойствами или намеренно генерировать структуры, которые приводят к моделям с более производительными батареями.

Ограничивая свой алгоритм результатами, которые могут быть получены сегодня, исследователи надеются, что смогут применить эту технику в производстве батарей для разработки оптимизированных электродов для батарей следующего поколения.