資料來源:倫敦帝國學院

摘要:研究人員已證明機器學習如何幫助設計性能更好的鋰離子電池和燃料電池。

一種新的機器學習算法允許研究人員在運行3D仿真之前探索燃料電池和鋰離子電池微結構可能的設計,以幫助研究人員進行更改以提高性能。

改進措施包括使智能手機充電更快,增加電動汽車充電之間的時間間隔以及增加運行數據中心的氫燃料電池的功率。

該論文在《npj計算材料》中發表。

燃料電池使用可以由風能和太陽能產生的清潔氫燃料來產生熱量和電能,而鋰離子電池(如智能手機,筆記本電腦和電動汽車中的鋰離子電池)是一種流行的能量存儲類型。兩者的性能都與它們的微觀結構密切相關:它們電極內部的孔的形狀和排列方式如何會影響燃料電池能產生多少功率,以及電池的充電和放電速度如何。

但是,由于微米級的孔是如此之小,因此可能難以以足夠高的分辨率研究它們的特定形狀和大小以使其與整體細胞性能相關。

現在,帝國學院研究人員已應用機器學習技術來幫助他們虛擬地探索這些孔,并運行3D仿真以根據其微觀結構預測細胞性能。

研究人員使用了一種新穎的機器學習技術,稱為“深度卷積生成對抗網絡”(DC-GAN)。這些算法可以基于從執行納米級成像的同步加速器(一種足球場大小的粒子加速器)獲得的訓練數據中學習生成微觀結構的3D圖像數據。

帝國大學地球科學與工程系的主要作者安德里亞·蓋翁-隆巴多(Andrea Gayon-Lombardo)說:“我們的技術正在幫助我們放大電池和電池,以了解哪些特性會影響整體性能。開發基于圖像的機器學習技術可以解鎖大規模分析圖像的新方法。”

在運行3D模擬以預測細胞性能時,研究人員需要足夠大的數據量才能被視為代表整個細胞的統計數據。當前難以以所需的分辨率獲得大量的微結構圖像數據。

但是,作者發現,他們可以訓練代碼來生成具有相同屬性的更大數據集,或故意生成模型認為可以提高電池性能的結構。

帝國理工學院戴森設計工程學院的項目主管Sam Cooper博士說:“我們團隊的發現將幫助能源界的研究人員設計和制造優化的電極,以改善電池性能。對于儲能和機器學習社區來說,這是一個激動人心的時刻,因此我們很高興能夠探索這兩個學科之間的接口。”

通過限制他們的算法以僅產生當前可行的制造結果,研究人員希望將他們的技術應用于制造,以設計用于下一代電池的優化電極。

文章來源:

資料由倫敦帝國理工學院提供。原著作者卡羅琳·布羅根(Caroline Brogan)。注意:內容可以根據樣式和長度進行了編輯。

期刊信息:

Andrea Gayon-Lombardo, Lukas Mosser, Nigel P. Brandon, Samuel J. Cooper. Pores for thought: generative adversarial networks for stochastic reconstruction of 3D multi-phase electrode microstructures with periodic boundaries. npj Computational Materials, 2020; 6 (1) DOI: 10.1038/s41524-020-0340-7

原文信息:

Imperial College London. "AI could help improve performance of lithium-ion batteries and fuel cells." ScienceDaily. ScienceDaily, 25 June 2020.

www.sciencedaily.com/releases/2020/06/200625080942.htm

聲明:本文由澳亞塑業編譯,中文內容僅供參考,一切內容以英文原版為準。