Lithium-ionbatterijen verliezen na verloop van tijd hun sap, waardoor wetenschappers en ingenieurs hard werken om dat proces in detail te begrijpen. Nutsvoorzieningen, wetenschappers van het SLAC National Accelerator Laboratory van het Department of Energy hebben geavanceerde algoritmen voor machine learning gecombineerd met röntgentomografiegegevens om een ​​gedetailleerd beeld te krijgen van hoe een batterijcomponent, de kathode, degradeert bij gebruik.

De nieuwe studie, gepubliceerd op 8 mei in Natuurcommunicatie , gericht op hoe beter te visualiseren wat er gaande is in kathodes gemaakt van nikkel-mangaan-kobalt, of NMC. Bij deze kathoden NMC-deeltjes worden bij elkaar gehouden door een geleidende koolstofmatrix, en onderzoekers hebben gespeculeerd dat een oorzaak van prestatievermindering zou kunnen zijn dat deeltjes loskomen van die matrix. Het doel van het team was om de allernieuwste mogelijkheden van SLAC's Stanford Synchrotron Radiation Lightsource (SSRL) en de European Synchrotron Radiation Facility (ESRF) te combineren om een ​​uitgebreid beeld te krijgen van hoe NMC-deeltjes uiteenvallen en loskomen van de matrix en hoe dat kan bijdragen tot prestatieverliezen.

Natuurlijk, het is een hele opgave voor mensen om erachter te komen wat er aan de hand is door alleen maar naar foto's van een NMC-kathode te kijken, dus het team wendde zich tot computervisie, een subveld van machine learning-algoritmen die oorspronkelijk zijn ontworpen om afbeeldingen of video's te scannen en objecten zoals honden of auto's te identificeren en te volgen.

Zelfs dan, er waren uitdagingen. Computervisie-algoritmen richten zich vaak op grenzen die worden gedefinieerd door lichte of donkere lijnen, dus ze zouden het moeilijk vinden om onderscheid te maken tussen verschillende kleine NMC-deeltjes die aan elkaar vastzitten en een enkele grote maar gedeeltelijk gebroken; voor de meeste computer vision-systemen, die breuken zouden eruitzien als schone breuken.

Om dat probleem aan te pakken, het team gebruikte een soort algoritme dat is opgezet om met hiërarchische objecten om te gaan, bijvoorbeeld een legpuzzel, waarvan we zouden denken dat het een complete entiteit is, ook al bestaat het uit veel individuele stukken. Met input en oordelen van de onderzoekers zelf, ze hebben dit algoritme getraind om verschillende soorten deeltjes te onderscheiden en zo een driedimensionaal beeld te ontwikkelen van hoe NMC-deeltjes, groot of klein, gebroken of niet, loskomen van de kathode.

Ze ontdekten dat deeltjes die loskomen van de koolstofmatrix echt een significante bijdrage leveren aan de achteruitgang van een batterij, tenminste onder omstandigheden die men normaal zou zien in consumentenelektronica, zoals smartphones.

Tweede, terwijl grote NMC-deeltjes eerder beschadigd raken en losraken, nogal wat kleinere deeltjes breken af, te, en over het algemeen, er is meer variatie in de manier waarop kleine deeltjes zich gedragen, zei Yijin Liu, een stafwetenschapper bij SLAC en een senior auteur van het nieuwe artikel. Dat is belangrijk omdat onderzoekers er over het algemeen van uitgingen dat door batterijdeeltjes kleiner te maken, ze zouden batterijen met een langere levensduur kunnen maken - iets wat de nieuwe studie suggereert, is misschien niet zo eenvoudig, zei Liu.