Новый алгоритм машинного обучения позволяет исследователям изучить возможные конструкции микроструктуры топливных элементов и литий-ионных аккумуляторов, прежде чем запускать трехмерное моделирование, которое поможет исследователям вносить изменения для повышения производительности.

Улучшения могут включать ускорение зарядки смартфонов, увеличение времени между зарядками электромобилей и увеличение мощности водородных топливных элементов, работающих в центрах обработки данных.

В топливных элементах используется чистое водородное топливо, которое может генерироваться ветровой и солнечной энергией для производства тепла и электричества, а литий-ионные аккумуляторы, подобные тем, которые используются в смартфонах, ноутбуках и электромобилях, являются популярным типом накопителей энергии. Характеристики обоих тесно связаны с их микроструктурой: то, как поры (отверстия) внутри их электродов имеют форму и расположение, может влиять на то, сколько энергии могут генерировать топливные элементы, и как быстро заряжаются и разряжаются батареи.

Однако из-за того, что поры микрометрового масштаба очень малы, их конкретные формы и размеры могут быть трудны для изучения при достаточно высоком разрешении, чтобы связать их с общей производительностью ячейки.

Теперь имперские исследователи применили методы машинного обучения, чтобы помочь им виртуально исследовать эти поры и запустить трехмерное моделирование, чтобы предсказать производительность клеток на основе их микроструктуры.

Исследователи использовали новую технику машинного обучения под названием «глубоко сверточные порождающие состязательные сети» (DC-GAN). Эти алгоритмы могут научиться генерировать данные трехмерного изображения микроструктуры на основе обучающих данных, полученных из наноразмерных изображений, выполняемых синхротронами (разновидность ускорителя частиц размером с футбольный стадион).

Ведущий автор Андреа Гайон-Ломбардо из Департамента наук о Земле и инженерных разработок компании Imperial, сказала: «Наша техника помогает нам увеличить масштаб батарей и элементов, чтобы увидеть, какие свойства влияют на общую производительность. Подобные методы машинного обучения на основе изображений могут открыть новые способы анализа изображений в таком масштабе».

При проведении трехмерного моделирования для прогнозирования производительности ячеек исследователям необходим достаточно большой объем данных, который можно считать статистически репрезентативным для всей ячейки. В настоящее время трудно получить большие объемы данных микроструктурного изображения с требуемым разрешением.

Однако авторы обнаружили, что они могут обучать свой код генерировать либо гораздо более крупные наборы данных, которые имеют все те же свойства, либо намеренно генерировать структуры, которые, как предполагают модели, приведут к получению более эффективных батарей.

Руководитель проекта доктор Сэм Купер из Императорской школы конструкторских разработок сказал: «Выводы нашей команды помогут исследователям из энергетического сообщества спроектировать и изготовить оптимизированные электроды для улучшения характеристик элементов. Это захватывающее время как для сообществ, занимающихся накоплением энергии, так и для машинного обучения, поэтому мы рады изучить взаимодействие этих двух дисциплин».

Ограничивая свой алгоритм только для получения результатов, которые в настоящее время возможны для производства, исследователи надеются применить свою технику к производству для разработки оптимизированных электродов для элементов следующего поколения. И это действительно может вывести технологии на другой уровень и масштаб.