Computervision hjælper forskere med at studere lithium-ion-batterier

Lithium-ion-batterier mister deres saft over tid, hvilket får videnskabsmænd og ingeniører til at arbejde hårdt for at forstå denne proces i detaljer. Nu, forskere ved Department of Energy's SLAC National Accelerator Laboratory har kombineret sofistikerede maskinlæringsalgoritmer med røntgentomografidata for at producere et detaljeret billede af, hvordan en batterikomponent, katoden, nedbrydes ved brug.

Den nye undersøgelse, udgivet 8. maj i Naturkommunikation , fokuseret på, hvordan man bedre kan visualisere, hvad der foregår i katoder lavet af nikkel-mangan-kobolt, eller NMC. I disse katoder, NMC-partikler holdes sammen af ​​en ledende kulstofmatrix, og forskere har spekuleret i, at en årsag til ydeevnenedgang kunne være partikler, der bryder væk fra den matrix. Holdets mål var at kombinere banebrydende kapaciteter ved SLACs Stanford Synchrotron Radiation Lightsource (SSRL) og European Synchrotron Radiation Facility (ESRF) for at udvikle et omfattende billede af, hvordan NMC-partikler bryder fra hinanden og bryder væk fra matrixen, og hvordan det kan bidrage til præstationstab.

Selvfølgelig, det er en stor opgave for mennesker at finde ud af, hvad der foregår, bare ved at se på billeder af en NMC-katode, så holdet vendte sig til computervision, et underfelt af maskinlæringsalgoritmer, der oprindeligt er designet til at scanne billeder eller videoer og identificere og spore objekter som hunde eller biler.

Selv da, der var udfordringer. Computervisionsalgoritmer har ofte nul til grænser defineret af lyse eller mørke linjer, så de ville have svært ved at skelne mellem flere små NMC-partikler, der sidder sammen, og en enkelt stor, men delvist brækket; til de fleste computervisionssystemer, disse brud ville ligne rene brud.

For at løse det problem, holdet brugte en type algoritme, der er sat op til at håndtere hierarkiske objekter - f.eks. et puslespil, som vi ville tænke på som en komplet enhed, selvom den består af mange individuelle stykker. Med input og vurderinger fra forskerne selv, de trænede denne algoritme til at skelne forskellige slags partikler og dermed udvikle et tredimensionelt billede af, hvordan NMC-partikler, uanset om det er stort eller lille, brækket eller ej, bryde væk fra katoden.

De opdagede, at partikler, der løsner sig fra kulstofmatrixen, virkelig bidrager væsentligt til et batteris tilbagegang, i det mindste under forhold, man typisk ville se i forbrugerelektronik, såsom smartphones.

Sekund, mens store NMC-partikler er mere tilbøjelige til at blive beskadiget og bryde væk, en hel del mindre partikler bryder væk, også, og generelt, der er større variation i måden små partikler opfører sig på, sagde Yijin Liu, en stabsforsker ved SLAC og en seniorforfatter til det nye papir. Det er vigtigt, fordi forskere generelt havde antaget, at ved at gøre batteripartikler mindre, de kunne lave længerevarende batterier - noget den nye undersøgelse antyder måske ikke er så ligetil, sagde Liu.