Un nouvel algorithme d’apprentissage automatique permet aux chercheurs d’explorer des conceptions possibles pour la microstructure des piles à combustible et des batteries lithium-ion, avant d’exécuter des simulations 3D qui aident les chercheurs à apporter des modifications pour améliorer les performances.



Les améliorations pourraient inclure l’accélération de la demand des smartphones, l’augmentation du temps entre les expenses pour les véhicules électriques et l’augmentation de la puissance des piles à hydrogène fonctionnant dans les centres de données.

L’article est publié aujourd’hui dans npj Computational Elements.



Les piles à combustible utilisent de l’hydrogène propre, qui peut être généré par le vent et l’énergie solaire, pour produire de la chaleur et de l’électricité, et les batteries lithium-ion, comme celles que l’on trouve dans les smartphones, les ordinateurs portables et les voitures électriques, sont un type populaire de stockage d’énergie. Les performances des deux sont étroitement liées à leur microstructure: la façon dont les pores (trous) à l’intérieur de leurs électrodes sont façonnés et arrangés peut affecter la quantité d’énergie que les piles à combustible peuvent générer et la vitesse à laquelle les batteries se chargent et se déchargent.

Cependant, parce que les pores à l’échelle du micromètre sont si petits, leurs formes et tailles spécifiques peuvent être difficiles à étudier à une résolution suffisamment élevée pour les relier aux performances globales des cellules.

Maintenant, les chercheurs impériaux ont appliqué des tactics d’apprentissage automatique pour les aider à explorer ces pores virtuellement et à exécuter des simulations 3D pour prédire les performances des cellules en fonction de leur microstructure.

Les chercheurs ont utilisé une nouvelle technique d’apprentissage automatique appelée « réseaux contradictoires génératifs convolutionnels profonds » (DC-GAN). Ces algorithmes peuvent apprendre à générer des données d’image 3D de la microstructure sur la foundation de données d’entraînement obtenues à partir de synchrotrons exécutés par imagerie à l’échelle nanométrique (une sorte d’accélérateur de particules de la taille d’un stade de football).

L’auteure principale Andrea Gayon-Lombardo, du Département des sciences de la terre et de l’ingénierie de l’Impériale, a déclaré: « Notre method nous aide à zoomer directement sur les batteries et les cellules pour voir quelles propriétés affectent les performances globales  »

Lors de l’exécution de simulations 3D pour prévoir les performances des cellules, les chercheurs ont besoin d’un quantity de données suffisamment crucial pour être statistiquement représentatif de la cellule entière. Il est actuellement difficile d’obtenir de grands volumes de données d’images microstructurales à la résolution requise.

Cependant, les auteurs ont découvert qu’ils pouvaient former leur code pour générer soit des ensembles de données beaucoup furthermore volumineux qui ont toutes les mêmes propriétés, soit générer délibérément des structures qui, selon les modèles, auraient pour résultat des batteries moreover performantes.

Le superviseur du projet, le Dr Sam Cooper, de la Dyson School of Style Engineering de l’Imperial, a déclaré: « Les résultats de notre équipe aideront les chercheurs de la communauté énergétique à concevoir et fabriquer des électrodes optimisées pour améliorer les performances des cellules. C’est une période passionnante pour le stockage d’énergie et l’apprentissage automatique. nous sommes donc ravis d’explorer l’interface de ces deux disciplines.  »

En contraignant leur algorithme à produire uniquement des résultats qu’il est actuellement possible de fabriquer, les chercheurs espèrent appliquer leur procedure à la fabrication pour concevoir des électrodes optimisées pour les cellules de prochaine génération.