资料来源:伦敦帝国学院

摘要:研究人员已证明机器学习如何帮助设计性能更好的锂离子电池和燃料电池。

一种新的机器学习算法允许研究人员在运行3D仿真之前探索燃料电池和锂离子电池微结构可能的设计,以帮助研究人员进行更改以提高性能。

改进措施包括使智能手机充电更快,增加电动汽车充电之间的时间间隔以及增加运行数据中心的氢燃料电池的功率。

该论文在《npj计算材料》中发表。

燃料电池使用可以由风能和太阳能产生的清洁氢燃料来产生热量和电能,而锂离子电池(如智能手机,笔记本电脑和电动汽车中的锂离子电池)是一种流行的能量存储类型。两者的性能都与它们的微观结构密切相关:它们电极内部的孔的形状和排列方式如何会影响燃料电池能产生多少功率,以及电池的充电和放电速度如何。

但是,由于微米级的孔是如此之小,因此可能难以以足够高的分辨率研究它们的特定形状和大小以使其与整体细胞性能相关。

现在,帝国学院研究人员已应用机器学习技术来帮助他们虚拟地探索这些孔,并运行3D仿真以根据其微观结构预测细胞性能。

研究人员使用了一种新颖的机器学习技术,称为“深度卷积生成对抗网络”(DC-GAN)。这些算法可以基于从执行纳米级成像的同步加速器(一种足球场大小的粒子加速器)获得的训练数据中学习生成微观结构的3D图像数据。

帝国大学地球科学与工程系的主要作者安德里亚·盖翁-隆巴多(Andrea Gayon-Lombardo)说:“我们的技术正在帮助我们放大电池和电池,以了解哪些特性会影响整体性能。开发基于图像的机器学习技术可以解锁大规模分析图像的新方法。”

在运行3D模拟以预测细胞性能时,研究人员需要足够大的数据量才能被视为代表整个细胞的统计数据。当前难以以所需的分辨率获得大量的微结构图像数据。

但是,作者发现,他们可以训练代码来生成具有相同属性的更大数据集,或故意生成模型认为可以提高电池性能的结构。

帝国理工学院戴森设计工程学院的项目主管Sam Cooper博士说:“我们团队的发现将帮助能源界的研究人员设计和制造优化的电极,以改善电池性能。对于储能和机器学习社区来说,这是一个激动人心的时刻,因此我们很高兴能够探索这两个学科之间的接口。”

通过限制他们的算法以仅产生当前可行的制造结果,研究人员希望将他们的技术应用于制造,以设计用于下一代电池的优化电极。

文章来源:

资料由伦敦帝国理工学院提供。原著作者卡罗琳·布罗根(Caroline Brogan)。注意:内容可以根据样式和长度进行了编辑。

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

声明:本文由澳亚塑业编译,中文内容仅供参考,一切内容以英文原版为准。