皮皮虾科普网

皮皮虾科普网
分享国内外科学知识
皮皮虾科普网-国内外科学-科技-科普

用人工智能改善锂离子电池和燃料电池的性能

更新时间:2020-07-05 23:50点击:

一种新的机器学习算法允许研究人员探索燃料电池和锂离子电池微观结构的可能设计,然后运行3D模拟来帮助研究人员改进性能。

改进可能包括让智能手机充电更快,增加电动汽车的充电间隔时间,增加数据中心运行的氢燃料电池的功率。

本文于今天(2020年6月25日)发表在npj计算材料杂志上。

燃料电池使用可由风能和太阳能产生的清洁氢燃料来产生热量和电能,而智能手机、笔记本电脑和电动汽车中的锂离子电池是一种很受欢迎的能源存储方式。两者的性能都与它们的微观结构密切相关:电极内部的小孔的形状和排列方式会影响燃料电池产生的能量,以及电池充电和放电的速度。

然而,由于微米级的孔是如此的小,在足够高的分辨率下研究它们的特定形状和尺寸可能会很困难,从而将它们与电池的整体性能联系起来。

现在,帝国理工学院的研究人员已经使用机器学习技术来帮助他们虚拟地探索这些孔洞,并运行3D模拟来根据细胞的微观结构预测细胞的性能。

研究人员使用了一种叫做深度卷积生成对抗网络的新型机器学习技术。(DC-GANs)。这些算法可以学习生成基于纳米尺度成像同步加速器(一种足球场大小的粒子加速器)的训练数据的微观结构的三维图像数据。

帝国理工学院地球科学与工程系的Andrea Gayon-Lombardo是该研究的主要作者,他说:“我们的技术可以帮助我们聚焦电池和电池,看看哪些性能会影响整体性能。”开发这样的基于图像的机器学习技术可以开启在这种规模下分析图像的新方法。

当运行3D模拟来预测细胞性能时,研究人员需要足够大的数据量来被认为在统计学上代表整个细胞。目前很难获得所需分辨率的大量微观结构图像数据。

然而,作者发现他们可以通过训练代码来生成具有相同属性的更大的数据集,或者有意地生成模型所建议的能够产生性能更好的电池的结构。

帝国公司戴森设计工程学院的项目主管萨姆·库珀博士说:“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电极,提高电池性能。”对于能量存储和机器学习领域来说,这都是一个激动人心的时刻,所以我们很高兴能够探索这两个学科的界面。

通过限制他们的算法只产生目前可以制造的结果,研究人员希望将他们的技术应用到制造中,为下一代电池设计优化的电极。

参考文献:思想孔隙:周期性边界下三维多相电极微结构随机重构的生成对抗网络由Andrea Gayon-Lombardo, Lukas Mosser, Nigel P. Brandon和Samuel J. Cooper, npj计算材料,2020年6月25日。

DOI: 10.1038 / s41524 - 020 - 0340 - 7