ИИ может помочь улучшить производительность литий-ионных батарей и топливных элементов

Новый алгоритм машинного обучения позволяет исследователям изучить возможные варианты для микроструктуры топливных ячеек и литий-ионных аккумуляторов, перед запуском 3D-моделирование, которое поможет исследователям сделать изменения для повышения производительности.

Улучшения могут включать приготовление смартфоны заряжаются быстрее, увеличивая время между подзарядками для электромобилей, а также увеличить мощность водородных топливных элементов, работающих центров обработки данных.

В статье, опубликованной сегодня в вычислительных материалов либо разрешений

Топливные элементы использовать чистое водородное топливо, которые могут быть вызваны ветровой и солнечной энергии, для получения тепла и электроэнергии, а также литий-ионных аккумуляторов, как и в случае смартфонов, ноутбуков и электромобилей, популярный тип хранения энергии. Производительность тесно связаны с их микроструктурой: как поры (отверстия) внутри их электроды имеют форму и устраивается может повлиять, сколько энергии топливные элементы могут генерировать, и как батареи быстро заряд и разряда.

Однако, поскольку микрометр-шкалу поры настолько малы, их специфические формы и размеры могут быть трудно учиться в достаточно высоком разрешении, чтобы связать их эффективность клетки.

Теперь, имперские исследователи применяться технологии машинного обучения, чтобы помочь им изучить эти поры практически и запускать 3D моделирования для прогнозирования производительности ячейки на основе их микроструктуры.

Исследователи использовали Роман машинного обучения метод «глубоких сверточных генеративных состязательности сетей» (ДК-Ганс). Эти алгоритмы могут узнать для создания данных 3D изображения микроструктуры на основе обучающих данных, полученных из наноразмерных визуализации, проведенные в синхротронах (разновидность ускорителя частиц размером с футбольный стадион).

Ведущий автор Андреа Gayon-Ломбардо, отдела Императорского Земли науки и техники, сказал: «Наша техника помогает нам увеличить прямо на батареи и элементы, чтобы увидеть, какие свойства влияют на общую производительность. Разработка изображения на основе методов машинного обучения, как это может открыть новые способы анализа изображения в таком масштабе».

При запуске 3D-моделирования для прогнозирования производительности клеток, исследователи требуется достаточно большой объем данных, чтобы считаться статистически репрезентативным для всей клетки. В настоящее время трудно получить большие объемы данных изображения микроструктуры на нужное разрешение.

Однако авторы обнаружили, что они могут обучать свой код для генерации либо большими наборами данных, которые имеют все те же свойства, или сознательно создать структуру, модели предполагают, приведет к более эффективные батареи.

Руководитель проекта Доктор Сэм Купер, школы Императорского Дайсон проектирования, сказал: «результаты нашей команды помогут исследователям из энергетического сообщества в разработке и производстве электродов оптимизированы для повышения производительности ячейки. Это захватывающее время для накопления энергии и машинного обучения общин, поэтому мы рады возможности изучения взаимодействия этих двух дисциплин».

Путем ограничения их алгоритм, чтобы только добиться результатов, которые являются в настоящее время возможно производство, исследователи надеются применить свою технику в производство к проектированию оптимизированных электроды для следующего элемента нового поколения.

сделать разницу: спонсорские возможности