Le batterie agli ioni di litio perdono energia con il passare del tempo e questo ha spinto scienziati e ingegneri a lavorare sodo per capire questo processo nel dettaglio. Ora, gli scienziati dello SLAC National Accelerator Laboratory del Dipartimento dell'Energia hanno combinato sofisticati algoritmi di apprendimento automatico con dati di tomografia a raggi X per produrre un quadro dettagliato di come un componente della batteria, il catodo, si degradi con l'uso.
Il nuovo studio, pubblicato l'8 maggio su Nature Communications, si è concentrato su come visualizzare meglio ciò che accade nei catodi fatti di nichel-manganese-cobalto, o NMC.
In questi catodi, le particelle di NMC sono tenute insieme da una matrice di carbonio conduttivo e i ricercatori hanno ipotizzato che una causa del declino delle prestazioni potrebbe essere il distacco delle particelle dalla matrice.
L'obiettivo del team era quello di combinare le capacità all'avanguardia della Stanford Synchrotron Radiation Lightsource (SSRL) dello SLAC e della European Synchrotron Radiation Facility (ESRF) per sviluppare un quadro completo di come le particelle NMC si disgregano e si staccano dalla matrice e di come ciò possa contribuire alle perdite di prestazioni.
Un nuovo algoritmo di computer vision è in grado di identificare meglio le particelle in un'immagine di tomografia a raggi X di un catodo di nichel-manganese-cobalto. I metodi precedenti confondevano una singola particella fratturata con altre particelle diverse, mentre il nuovo metodo è in grado di distinguerle. (Immagine per gentile concessione di Yijin Liu/SLAC National Accelerator Laboratory)
Naturalmente, è difficile per gli esseri umani capire cosa sta succedendo solo guardando le immagini di un catodo NMC, quindi il team si è rivolto alla computer vision, un sottocampo di algoritmi di apprendimento automatico originariamente progettato per scansionare immagini o video e identificare e seguire oggetti come cani o automobili.
Anche in questo caso, le sfide non sono mancate. Gli algoritmi di visione computerizzata spesso si concentrano su confini definiti da linee chiare o scure, quindi avrebbero difficoltà a distinguere tra diverse piccole particelle NMC incastrate tra loro e un'unica grande particella parzialmente fratturata; per la maggior parte dei sistemi di visione computerizzata, le fratture apparirebbero come rotture nette.
Per risolvere questo problema, il team ha utilizzato un tipo di algoritmo creato per gestire oggetti gerarchici, ad esempio un puzzle, che noi consideriamo un'entità completa anche se è composto da molti pezzi singoli. Con i suggerimenti e i giudizi degli stessi ricercatori, hanno addestrato questo algoritmo a distinguere i diversi tipi di particelle, sviluppando così un'immagine tridimensionale di come le particelle NMC, grandi o piccole, fratturate o meno, si staccano dal catodo.
Hanno scoperto che le particelle che si staccano dalla matrice di carbonio contribuiscono davvero in modo significativo al declino di una batteria, almeno nelle condizioni tipiche dell'elettronica di consumo, come gli smartphone.
In secondo luogo, mentre è più probabile che le particelle NMC di grandi dimensioni si danneggino e si stacchino, anche molte particelle più piccole si staccano e, nel complesso, c'è una maggiore variazione nel modo in cui le particelle piccole si comportano, ha detto Yijin Liu, scienziato dello SLAC e autore senior del nuovo lavoro. Questo è importante perché i ricercatori avevano generalmente ipotizzato che, rendendo le particelle della batteria più piccole, si potessero creare batterie più durature - cosa che il nuovo studio suggerisce potrebbe non essere così semplice, ha detto Liu.
Articolo originale:
Questo articolo è stato pubblicato originariamente dal team del DOE/SLAC National Accelerator Laboratory.
Riferimento alla rivista:
Zhisen Jiang, Jizhou Li, Yang Yang, Linqin Mu, Chenxi Wei, Xiqian Yu, Piero Pianetta, Kejie Zhao, Peter Cloetens, Feng Lin, Yijin Liu. Statistiche rivelate con l'apprendimento automatico del distacco di particelle-carbonio/legante nei catodi delle batterie agli ioni di litio. Nature Communications, 2020; 11 (1) DOI: 10.1038/s41467-020-16233-5
HPQ Silicon è un emittente industriale Tier 1 della TSX Venture Exchange con sede in Quebec. Con il supporto dei partner tecnologici di livello mondiale PyroGenesis Canada e NOVACIUM SAS, l'azienda sta sviluppando nuovi processi ecologici fondamentali per la produzione dei materiali critici necessari per raggiungere le emissioni nette zero.
