Meningkatkan Baterai Lithium-Ion dan Kinerja Sel Bahan Bakar Dengan AI

0 0
Read Time:2 Minute, 21 Second
[ux_image id=”2036″]

 

Algoritma pembelajaran mesin baru memungkinkan para peneliti untuk mengeksplorasi kemungkinan desain untuk struktur mikro sel bahan bakar dan baterai lithium-ion, sebelum menjalankan simulasi 3D yang membantu para peneliti membuat perubahan untuk meningkatkan kinerja.

Perbaikan dapat mencakup membuat biaya smartphone lebih cepat, meningkatkan waktu antara biaya untuk kendaraan listrik, dan meningkatkan kekuatan sel bahan bakar hidrogen yang menjalankan pusat data.

Sel bahan bakar menggunakan bahan bakar hidrogen bersih, yang dapat dihasilkan oleh energi angin dan matahari, untuk menghasilkan panas dan listrik, dan baterai lithium-ion, seperti yang ditemukan di telepon pintar, laptop, dan mobil listrik, adalah jenis penyimpanan energi yang populer. Kinerja keduanya terkait erat dengan mikrostruktur mereka: bagaimana pori-pori (lubang) di dalam elektroda mereka dibentuk dan diatur dapat memengaruhi seberapa banyak sel bahan bakar yang dapat dihasilkan, dan seberapa cepat baterai diisi dan dibuang.

Namun, karena pori-pori skala mikrometer sangat kecil, bentuk dan ukuran spesifiknya bisa sulit dipelajari pada resolusi yang cukup tinggi untuk menghubungkannya dengan kinerja sel secara keseluruhan.

Sekarang, para peneliti Imperial telah menerapkan teknik pembelajaran mesin untuk membantu mereka menjelajahi pori-pori ini secara virtual dan menjalankan simulasi 3D untuk memprediksi kinerja sel berdasarkan pada mikrostruktur mereka.

Para peneliti menggunakan teknik pembelajaran mesin novel yang disebut “jaringan permusuhan generatif convolutional yang mendalam” (DC-GAN). Algoritma ini dapat belajar untuk menghasilkan data gambar 3D dari mikro berdasarkan data pelatihan yang diperoleh dari pencitraan skala nano dilakukan sinkrotron (semacam akselerator partikel ukuran stadion sepak bola).

Penulis utama Andrea Gayon-Lombardo, dari Departemen Ilmu dan Teknik Bumi Imperial, mengatakan: “Teknik kami membantu kami memperbesar daya baterai dan sel untuk melihat properti mana yang memengaruhi kinerja secara keseluruhan. Mengembangkan teknik pembelajaran mesin berbasis gambar seperti ini dapat membuka cara baru untuk menganalisis gambar pada skala ini. “

Saat menjalankan simulasi 3D untuk memprediksi kinerja sel, para peneliti membutuhkan volume data yang cukup besar untuk dianggap mewakili seluruh sel secara statistik. Saat ini sulit untuk memperoleh volume besar data gambar mikrostruktur pada resolusi yang diperlukan.

Namun, penulis menemukan bahwa mereka dapat melatih kode mereka untuk menghasilkan set data yang jauh lebih besar yang memiliki semua sifat yang sama, atau dengan sengaja menghasilkan struktur yang disarankan model akan menghasilkan baterai yang berkinerja lebih baik.

Pengawas proyek Dr. Sam Cooper, dari Imperial’s Dyson School of Design Engineering, mengatakan: “Temuan tim kami akan membantu para peneliti dari komunitas energi untuk merancang dan membuat elektroda yang dioptimalkan untuk meningkatkan kinerja sel. Ini adalah waktu yang menyenangkan bagi komunitas penyimpanan energi dan pembelajaran mesin, jadi kami senang menjelajahi antarmuka kedua disiplin ilmu ini. “

Dengan membatasi algoritme mereka untuk hanya menghasilkan hasil yang saat ini layak untuk diproduksi, para peneliti berharap untuk menerapkan teknik mereka pada pembuatan untuk merancang elektroda yang dioptimalkan untuk sel generasi berikutnya.

Referensi: 25 Juni 2020, Bahan Komputasi npj.
DOI: 10.1038 / s41524-020-0340-7; scitechdaily.com

Happy
Happy
0 %
Sad
Sad
0 %
Excited
Excited
0 %
Sleppy
Sleppy
0 %
Angry
Angry
0 %
Surprise
Surprise
0 %

Average Rating

5 Star
0%
4 Star
0%
3 Star
0%
2 Star
0%
1 Star
0%

Leave a Reply

Your email address will not be published. Required fields are marked *