Zvýšená účinnost palivových článků …
Výkon palivových článků i lithium-iontových (LiB) baterií úzce souvisí se způsobem, jakým jsou uspořádány a tvarovány póry nebo otvory v jejich elektrodách. Tato mikrostruktura ovlivní, jak rychle se LiBs nabijí a vybijí, a množství elektřiny, které může palivový článek generovat. Póry jsou v rozsahu mikrometrů velmi malé. Vzhledem k jejich malému rozsahu bylo obtížné pracovat s rozlišením požadovaným pro jejich korelaci s výkonem zařízení.Výzkumníci z Imperial College v Londýně vymysleli způsob, jak virtuálně prozkoumat póry. S využitím strojového učení byli vědci schopni spustit trojrozměrné simulace, a tak se pomocí těchto informací dozvědět o mikrostruktuře a předpovědět výkon.
Hluboké učení a urychlovače částic
Vědci použili techniku strojového učení zvanou hluboké konvoluční generování inverzních sítí (DC-GAN) ke generování trojrozměrných obrazových dat mikrostruktury. Tato metoda zahrnovala aplikaci tréninkových dat získaných z použití synchrotronu. Synchrotron je kruhový urychlovač částic, který zrychluje nabité částice téměř na rychlost světla a vytváří velmi jasné světlo, které se nazývá synchrotronové světlo. . Vědci mohou toto světlo použít ke studiu hmoty malé jako atomy a molekuly. Podle vedoucí autorky Andrea Gayon-Lombarda z Imperial’s Department of Earth Sciences and Engineering „Naše technika nám pomáhá zaměřit se na baterie a články. zjistit, jaké funkce ovlivňují celkový výkon. Vývoj technik strojového učení založených na obrázcích, jako je tento, by mohl odemknout nové způsoby analýzy obrázků v tomto měřítku. ”
Schéma podrobně popisující strukturu algoritmu strojového učení a přístup použitý k osvojení „podstaty“ mikrostrukturálních dat. Obrázek připsán na Imperial College London
Potíže se získáváním dostatečných údajů
Proces spouštění 3D simulací k předpovídání výkonu buněk vyžaduje velké množství dat. To je nezbytné, aby soubor dat statisticky reprezentoval celou buňku. V současné době je obtížné získat dostatečné mikrostrukturální zobrazovací údaje. Autoři studie však dokázali trénovat svůj kód tak, aby vytvářeli mnohem větší datové soubory se stejnými vlastnostmi. Alternativně by mohli záměrně vyrobit struktury, které by vedly k lepším výkonům baterií, než navrhuje model. Vedoucí projektu Dr. z Imperial’s Dyson School of Design Engineering. Sam Cooper řekl: „Náš nálezový tým pomůže výzkumným pracovníkům v oblasti energetické komunity navrhovat a vyrábět elektrody optimalizované pro zlepšení výkonu článků. Je to vzrušující doba pro komunity skladování energie a strojového učení, takže jsme rádi, že můžeme prozkoumat jeho rozhraní. tyto dvě disciplíny “.
Cíle výzkumu
Vědci plánují použít svoji metodu na výrobu elektrod optimalizovaných pro vytvrzené články. K dosažení tohoto cíle omezili rozsah svého algoritmu na produkci výsledků, které lze generovat pouze pomocí aktuální produkce.
Cenné informace o mikrostrukturách
Studium mikrostruktury prvků LiB je oblast probíhajícího výzkumu. Nedávno jsme informovali o práci vědců z laboratoře SLAC National Accelerator Laboratory amerického ministerstva energetiky na Stanford University. Tito vědci použili data rentgenové tomografie vedle strojového učení. Stanfordova práce poskytla cenný vhled do rozkladu LiB katod. Při hledání LiB baterie, která umožňuje široké přizpůsobení, je zapotřebí pokrok v porozumění tomu, jak zařízení pro ukládání a generování energie fungují na úrovni atomové struktury. elektrických vozidel. Umožní také menší a energeticky náročnější baterie potřebné pro další vývoj zařízení IoT na vzdáleném konci, kde by častá výměna baterií nebo dobíjení bránily pokroku.
