Lithium-Ionen-Batterien verlieren mit der Zeit ihren Saft, weshalb Wissenschaftler und Ingenieure hart daran arbeiten, diesen Prozess im Detail zu verstehen. Jetzt haben Wissenschaftler am SLAC National Accelerator Laboratory des Energieministeriums hochentwickelte Algorithmen des maschinellen Lernens mit Röntgentomographiedaten kombiniert, um ein detailliertes Bild davon zu erhalten, wie sich eine Batteriekomponente, die Kathode, mit der Zeit abbaut.
Die neue Studie, die am 8. Mai in Nature Communications veröffentlicht wurde, befasst sich mit der Frage, wie man die Vorgänge in Kathoden aus Nickel-Mangan-Kobalt (NMC) besser sichtbar machen kann.
In diesen Kathoden werden die NMC-Partikel durch eine leitende Kohlenstoffmatrix zusammengehalten, und die Forscher haben spekuliert, dass eine Ursache für den Leistungsabfall darin liegen könnte, dass sich die Partikel von dieser Matrix lösen.
Ziel des Teams war es, die modernsten Möglichkeiten der Stanford Synchrotron Radiation Lightsource (SSRL) des SLAC und der European Synchrotron Radiation Facility (ESRF) zu kombinieren, um ein umfassendes Bild davon zu entwickeln, wie NMC-Teilchen auseinanderbrechen und sich von der Matrix lösen und wie dies zu Leistungseinbußen beitragen könnte.
Ein neuer Computer-Vision-Algorithmus kann Partikel in einem Röntgentomographie-Bild einer Nickel-Mangan-Kobalt-Kathode besser identifizieren. Ältere Methoden würden ein einzelnes zerbrochenes Teilchen mit mehreren verschiedenen Teilchen verwechseln, während die neue Methode den Unterschied erkennen kann. (Bild mit freundlicher Genehmigung von Yijin Liu/SLAC National Accelerator Laboratory)
Natürlich ist es für Menschen schwierig, allein durch das Betrachten von Bildern einer NMC-Kathode herauszufinden, was vor sich geht. Deshalb wandte sich das Team an die Computer Vision, ein Teilgebiet der Algorithmen des maschinellen Lernens, das ursprünglich dafür entwickelt wurde, Bilder oder Videos zu scannen und Objekte wie Hunde oder Autos zu identifizieren und zu verfolgen.
Selbst dann gab es noch Herausforderungen. Computer-Vision-Algorithmen orientieren sich häufig an Grenzen, die durch helle oder dunkle Linien definiert sind. Daher wäre es für sie schwierig, zwischen mehreren kleinen, aneinander klebenden NMC-Partikeln und einem einzelnen großen, aber teilweise zerbrochenen Partikel zu unterscheiden; für die meisten Computer-Vision-Systeme würden diese Brüche wie saubere Brüche aussehen.
Um dieses Problem zu lösen, verwendete das Team eine Art Algorithmus, der für hierarchische Objekte entwickelt wurde - zum Beispiel ein Puzzle, das wir als eine vollständige Einheit betrachten würden, obwohl es aus vielen Einzelteilen besteht. Mit dem Input und den Einschätzungen der Forscher selbst trainierten sie diesen Algorithmus, um verschiedene Arten von Teilchen zu unterscheiden und so ein dreidimensionales Bild davon zu entwickeln, wie NMC-Teilchen, ob groß oder klein, zerbrochen oder nicht, von der Kathode wegbrechen.
Sie entdeckten, dass Partikel, die sich aus der Kohlenstoffmatrix lösen, tatsächlich erheblich zur Verschlechterung der Batterieleistung beitragen, zumindest unter den Bedingungen, die man typischerweise in der Unterhaltungselektronik, z. B. in Smartphones, antrifft.
Zweitens ist es zwar wahrscheinlicher, dass große NMC-Teilchen beschädigt werden und wegbrechen, aber es brechen auch viele kleinere Teilchen weg, und insgesamt gibt es mehr Variationen im Verhalten kleiner Teilchen, sagte Yijin Liu, ein Wissenschaftler am SLAC und einer der Hauptautoren der neuen Studie. Das ist wichtig, weil die Forscher im Allgemeinen davon ausgingen, dass sie durch die Verkleinerung von Batterieteilchen Batterien mit längerer Lebensdauer herstellen könnten - was laut Liu in der neuen Studie nicht so einfach möglich ist.
Ursprünglicher Artikel:
Dieser Artikel wurde ursprünglich vom Team des DOE/SLAC National Accelerator Laboratory veröffentlicht.
Zeitschrift Referenz:
Zhisen Jiang, Jizhou Li, Yang Yang, Linqin Mu, Chenxi Wei, Xiqian Yu, Piero Pianetta, Kejie Zhao, Peter Cloetens, Feng Lin, Yijin Liu. Durch maschinelles Lernen aufgedeckte Statistik der Partikel-Kohlenstoff-Bindemittel-Ablösung in Lithium-Ionen-Batteriekathoden. Nature Communications, 2020; 11 (1) DOI: 10.1038/s41467-020-16233-5
HPQ Silicon ist ein in Quebec ansässiger Tier-1-Industrieemittent der TSX Venture Exchange. Mit der Unterstützung der erstklassigen Technologiepartner PyroGenesis Canada und NOVACIUM SAS entwickelt das Unternehmen neue umweltfreundliche Verfahren, die für die Herstellung der entscheidenden Materialien, die zur Erreichung von Netto-Null-Emissionen erforderlich sind, entscheidend sind.
