هوش مصنوعی می تواند کمک به بهبود عملکرد باتری های لیتیوم یون و سلول های سوختی

جدید یادگیری ماشین الگوریتم اجازه می دهد تا محققان به بررسی امکان طرح برای ساختار سلول های سوختی و باتری های لیتیوم یون, قبل از در حال اجرا 3D شبیه سازی است که به کمک محققان ایجاد تغییرات برای بهبود عملکرد.

پیشرفت می تواند شامل ساخت گوشی های هوشمند شارژ سریعتر و افزایش زمان بین اتهامات عنوان شده برای وسایل نقلیه الکتریکی و افزایش قدرت سوخت هیدروژن سلول های در حال اجرا در مراکز داده.

مقاله منتشر شده امروز در npj محاسباتی مواد.

سلول های سوختی با استفاده از پاک کردن سوخت هیدروژن است که می تواند تولید شده توسط باد و انرژی خورشیدی برای تولید حرارت و برق و باتری های لیتیوم یون, مانند کسانی که در گوشی های هوشمند و لپ تاپ ها و اتومبیل های برقی هستند یک نوع محبوب از ذخیره سازی انرژی. عملکرد هر دو است که از نزدیک مربوط به خود ساختار: چگونه منافذ (سوراخ) در داخل الکترود شکل هستند و مرتب می تواند تحت تاثیر قرار چقدر قدرت سلول های سوخت را تولید کند و چگونه به سرعت باتری شارژ و تخلیه.

اما از آنجا که micrometre-مقیاس منافذ بسیار کوچک خاص خود اشکال و اندازه می تواند دشوار برای مطالعه در بالا به اندازه کافی قطعنامه مربوط به آنها را به کلی عملکرد سلول.

در حال حاضر محققان امپریال اعمال تکنیک یادگیری ماشین برای کمک به آنها در کشف این منافذ عملا و اجرای 3D شبیه سازی برای پیش بینی عملکرد سلول بر اساس ساختار.

محققان با استفاده از یک رمان یادگیری ماشین تکنیک به نام "عمیق convolutional مولد خصمانه شبکه" (DC-GANs). این الگوریتم ها می توانند یاد بگیرند که برای ایجاد یک تصویر 3D اطلاعات از ساختار بر اساس آموزش های داده های به دست آمده از مقیاس نانو تصویربرداری انجام شده synchrotrons (یک نوع شتاب دهنده ذرات به اندازه یک استادیوم فوتبال).

منجر نویسنده Andrea Gayon-Lombardo شاهی دپارتمان علوم زمین و مهندسی گفت: "روش ما این است که کمک به ما حق زوم بر روی باتری و سلول ها را به ببینید که خواص بر عملکرد کلی. توسعه مبتنی بر تصویر و تکنیک یادگیری ماشین مانند این می تواند باز کردن راه های جدید از تجزیه و تحلیل تصاویر در این مقیاس است."

هنگامی که در حال اجرا 3D شبیه سازی برای پیش بینی عملکرد سلول محققان نیاز زیادی به اندازه کافی حجم داده ها در نظر گرفته شود از نظر آماری نماینده از کل سلول است. آن است که در حال حاضر دشوار است برای به دست آوردن حجم زیادی از microstructural تصویر اطلاعات در مورد قطعنامه.

اما نویسندگان در بر داشت آنها می تواند قطار کد خود را برای تولید یا بسیار بزرگتر می دهد که همه خواص مشابه و یا عمدا تولید سازه های مدل نشان می دهد که می تواند در انجام بهتر باتری.

سرپرست پروژه Dr Sam کوپر شاهی Dyson مدرسه طراحی مهندسی و گفت: "تیم ما یافته های محققان کمک خواهد کرد از انرژی جامعه به طراحی و ساخت بهینه سازی الکترود برای بهبود عملکرد سلول. این زمان هیجان انگیز برای هر دو ذخیره سازی انرژی و یادگیری ماشین جوامع بنابراین ما خوشحال هستیم که به بررسی رابط کاربری این دو رشته."

با محدود الگوریتم خود را تنها به تولید نتایج است که در حال حاضر امکان پذیر برای ساخت محققان امید به اعمال روش خود را برای تولید به طراحی بهینه الکترود برای نسل بعدی سلول های.

###

سلب مسئولیت: AAAS و EurekAlert! مسئول صحت اخبار منتشر شده به EurekAlert! با کمک موسسات و یا برای استفاده از هر گونه اطلاعات از طریق EurekAlert سیستم.