Großbritannien nutzt maschinelles Lernen, um Mikrostrukturen zu untersuchen und bessere Batterien zu entwickeln -Lithium-Ionen-Batterieausrüstung
Zu den Leistungsverbesserungen gehören ein schnelleres Aufladen von Smartphones, eine größere Reichweite von Elektrofahrzeugen und eine höhere Leistung von Lithium-Ionen-Batterien, die mit Wasserstoff in Rechenzentren betrieben werden.
Kraftstoffbetriebene Lithiumbatterien können sauberen Wasserstoff aus Quellen wie Wind und Sonne nutzen, um Wärme und Strom zu erzeugen, während Lithium-Ionen-Batterien in Smartphones, Laptops und Elektroautos ebenfalls eine beliebte Form der Energiespeicherung sind. Die Leistung beider hängt eng mit ihrer Mikrostruktur zusammen: Die Form und Anordnung der kleinen Löcher im Inneren der Batterie beeinflusst die von der kraftstoffbetriebenen Lithiumbatterie erzeugte Energie und die Lade- und Entladegeschwindigkeit der Batterie. (Lithium-Ionen-Batterieausrüstung)
Da die Poren jedoch im Mikrometerbereich so klein sind, kann es schwierig sein, die spezifische Form und Größe solcher Poren mit einer Auflösung zu untersuchen, die hoch genug ist, um sie mit der Gesamtleistung der Batterie zu korrelieren .
Jetzt haben Forscher des Imperial College Techniken des maschinellen Lernens eingesetzt, um solche Poren virtuell zu erkunden und 3D-Simulationsmodelle auszuführen, um die Leistung der Batterie basierend auf ihrer Mikrostruktur vorherzusagen.
Mit einer neuartigen Technik des maschinellen Lernens namens "Deep Convolutional Generative Adversarial Networks" (DC-GANs), die auf Trainingsdaten basiert, die aus der nanoskaligen Bildgebung an einem Synchrotron, einem Teilchenbeschleuniger von der Größe eines Fußballfeldes, gewonnen wurden, lernen die Forscher, 3D-Bilddaten von Batteriemikrostrukturen zu generieren.
Andrea Gayon-Lombardo, Hauptautor der Studie vom Department of Earth Science and Engineering des Imperial, sagte: "Unsere Technik ermöglicht es uns, Batterien und Zellen zu vergrößern, um zu sehen, welche Eigenschaften die Gesamtleistung beeinflussen. Die Entwicklung dieser bildbasierten Technik des maschinellen Lernens könnte neue Möglichkeiten bieten, Bilder dieser Größe zu analysieren."
Bei der Ausführung von 3D-Simulationsmodellen zur Vorhersage der Batterieleistung benötigen Forscher ein Datenvolumen, das groß genug ist, um statistisch repräsentativ für die gesamte Batterie zu sein. Derzeit ist es schwierig, Bilddaten einer großen Anzahl von Mikrostrukturen mit hoher Auflösung zu erhalten. Die Forscher fanden jedoch heraus, dass der Code darauf trainiert werden könnte, größere Datensätze mit den gleichen Eigenschaften zu generieren oder absichtlich Strukturen zu generieren, die zu Modellen mit leistungsfähigeren Batterien führen.
Durch die Beschränkung ihres Algorithmus auf Ergebnisse, die heute produziert werden können, hoffen die Forscher, die Technik auf die Batterieherstellung anwenden zu können, um optimierte Elektroden für Batterien der nächsten Generation zu entwerfen.