De nouvelles méthodes d'apprentissage machine permettent de comprendre comment les batteries au lithium-ion se dégradent et montrent que c'est plus compliqué que ce que l'on pensait

par L'équipe HPQ

Les batteries au lithium-ion perdent leur jus au fil du temps, ce qui oblige les scientifiques et les ingénieurs à travailler dur pour comprendre ce processus en détail. Aujourd'hui, les scientifiques du SLAC National Accelerator Laboratory du ministère de l'énergie ont combiné des algorithmes sophistiqués d'apprentissage machine avec des données de tomographie à rayons X pour produire une image détaillée de la façon dont un composant de la batterie, la cathode, se dégrade à l'usage.

La nouvelle étude, publiée le 8 mai dans Nature Communications, se concentre sur la manière de mieux visualiser ce qui se passe dans les cathodes en nickel-manganèse-cobalt, ou NMC.

Dans ces cathodes, les particules de NMC sont maintenues ensemble par une matrice de carbone conductrice, et les chercheurs ont spéculé qu'une des causes du déclin des performances pourrait être la rupture des particules de cette matrice.

L'objectif de l'équipe était de combiner les capacités de pointe de la source de rayonnement synchrotron (SSRL) de Stanford du SLAC et de l'installation européenne de rayonnement synchrotron (ESRF) afin de dresser un tableau complet de la manière dont les particules de NMC se séparent et se détachent de la matrice et de la manière dont cela pourrait contribuer à des pertes de performance.

Image de tomographie aux rayons X d'une cathode de nickel-manganèse-cobalt

Un nouvel algorithme de vision par ordinateur permet de mieux identifier les particules dans une image de tomographie à rayons X d'une cathode en nickel-manganèse-cobalt. Les anciennes méthodes confondaient une seule particule fracturée avec plusieurs particules différentes, alors que la nouvelle méthode peut faire la différence. (Image reproduite avec l'aimable autorisation de Yijin Liu/SLAC National Accelerator Laboratory)

Bien sûr, il est difficile pour l'homme de comprendre ce qui se passe simplement en regardant les images d'une cathode NMC, c'est pourquoi l'équipe s'est tournée vers la vision par ordinateur, un sous-domaine des algorithmes d'apprentissage machine conçu à l'origine pour scanner des images ou des vidéos et identifier et suivre des objets comme des chiens ou des voitures.

Même à l'époque, il y avait des défis à relever. Les algorithmes de vision par ordinateur se concentrent souvent sur les limites définies par des lignes claires ou sombres, de sorte qu'ils ont du mal à différencier plusieurs petites particules de NMC collées ensemble et une seule grande particule partiellement fracturée ; pour la plupart des systèmes de vision par ordinateur, ces fractures ressembleraient à des cassures nettes.

Pour résoudre ce problème, l'équipe a utilisé un type d'algorithme mis en place pour traiter les objets hiérarchiques - par exemple, un puzzle, que nous considérons comme une entité complète même si elle est composée de nombreuses pièces individuelles. Avec l'apport et les jugements des chercheurs eux-mêmes, ils ont formé cet algorithme pour distinguer différents types de particules et ainsi développer une image tridimensionnelle de la façon dont les particules de NMC, qu'elles soient grandes ou petites, fracturées ou non, se détachent de la cathode.

Ils ont découvert que les particules qui se détachent de la matrice de carbone contribuent réellement de manière significative au déclin d'une batterie, du moins dans les conditions que l'on peut généralement observer dans l'électronique grand public, comme les smartphones.

Deuxièmement, alors que les grandes particules de NMC sont plus susceptibles d'être endommagées et de se détacher, un certain nombre de particules plus petites se détachent également et, dans l'ensemble, il y a plus de variations dans la façon dont les petites particules se comportent, a déclaré Yijin Liu, un scientifique du SLAC et un auteur principal du nouveau document. C'est important car les chercheurs ont généralement supposé qu'en réduisant la taille des particules des batteries, ils pouvaient en fabriquer de plus longue durée - ce qui, selon la nouvelle étude, n'est peut-être pas si simple, a déclaré M. Liu.

Article original :
Cet article a été publié à l'origine par l'équipe du laboratoire de l'accélérateur national du DOE/SLAC.

Référence du journal :
Zhisen Jiang, Jizhou Li, Yang Yang, Linqin Mu, Chenxi Wei, Xiqian Yu, Piero Pianetta, Kejie Zhao, Peter Cloetens, Feng Lin, Yijin Liu. L'apprentissage machine a révélé des statistiques sur le détachement des particules de carbone et de liant dans les cathodes des batteries au lithium-ion. Nature Communications, 2020 ; 11 (1) DOI : 10.1038/s41467-020-16233-5

Resources HPQ Silicium $HPQ $HPQFF est une entreprise québécoise qui développe les produits de silicium à haute valeur ajoutée recherchés par les fabricants de batteries et de véhicules électriques.

    lien étroit

      lien étroit

        lien étroit
        NOTE IMPORTANTE

        NOUS TRAVAILLONS SUR
        À LA REFONTE DE NOTRE SITE WEB !

        Le 21 juillet 2022, HPQ est devenue une entreprise technologique de niveau 1. En conséquence, nous sommes en train de mettre à jour notre marque d'entreprise. Cela inclut le site Web et la papeterie.

        Faites-nous savoir si vous avez des questions. 
        lien étroit