Аккумуляторные элементы — это сложные и развивающиеся системы, и у каждой частицы есть что рассказать.
В Национальной лаборатории возобновляемых источников энергии (NREL) существует общее мнение, что методы рентгеновской визуализации являются ключом к раскрытию важной информации о производительности систем хранения энергии. Таким образом, исследователи NREL находятся в авангарде новых исследований с использованием методов рентгеновской диагностики для изучения состава и архитектуры материалов аккумуляторов. А с ожидаемым добавлением нового сканера рентгеновской наноразмерной компьютерной томографии (нано-КТ) исследователи NREL получат технологию, которая позволит им получить более четкое изображение энергетических материалов, чем когда-либо прежде.
«Как ведущее предприятие в области электрохимических исследований, крайне важно, чтобы мы продолжали инвестировать в современные возможности, такие как нано-КТ», — сказал старший научный сотрудник NREL по хранению энергии Донал Финеган. «Этот сканер расширяет наши возможности в NREL благодаря новому пространственному разрешению в 50 нанометров, что в противном случае было бы достижимо только на высокоэнергетических синхротронных рентгеновских установках».
Значительные улучшения разрешения систем нано-КТ открывают дверь для прогресса в том, как мы анализируем и понимаем материалы аккумуляторов. Когда образец вращается, рентгеновский луч создает 3D-изображения с высочайшим разрешением. В результате этот метод визуализации позволяет исследователям изучать свойства материалов батареи, такие как их кристаллическая структура, химический состав и трехмерная архитектура. Учитывая неразрушающий характер нано-КТ, исследователи могут просматривать изменения по мере их возникновения в режиме реального времени, чтобы понять реакции внутри батареи во время работы или цикла.
Будущие возможности исследования аккумуляторов
Совместный обзор Nature Nanotechnology , подготовленный ведущими учеными-нанотехнологами из NREL, Калифорнийского университета (UC) в Сан-Диего, Университета Пикардии Жюля Верна и Thermo Fisher Scientific, расширяет историю и развивающиеся тенденции в области диагностической визуализации аккумуляторов и возможности применения машинного обучения . методы для улучшения существующих возможностей визуализации и компьютерного моделирования.
Методы машинного обучения обучают компьютеры создавать модели для прогнозирования результатов и автоматизации процессов анализа. В сочетании с нано-КТ машинное обучение может разрабатывать прогностические модели для анализа того, как микроструктура электрода или неоднородности материала, такие как однородность формы частиц, влияют на электрохимические отклики. В результате исследователи могут быстро просматривать сложные наборы данных, чтобы находить новые решения для конструкций аккумуляторов следующего поколения.
Кроме того, инструменты моделирования, такие как генеративно-состязательные сети (GAN), могут повысить разрешение цифровых изображений и заполнить пробелы между шкалами диагностических изображений , чтобы обеспечить целостное представление о морфологии частиц литий-ионных электродов или, проще говоря, их структуре. Например, форма и размер частиц электродов могут сильно различаться, и многомасштабное изображение имеет решающее значение для понимания того, как работают батареи. Механизмы деградации или несоответствия материалов, негативно влияющие на срок службы, безопасность и надежность аккумуляторов, проявляются при разных масштабах увеличения, если исследователи знают, где искать.
NREL в сотрудничестве с исследователями из Ульмского университета и Аргоннской национальной лаборатории недавно опубликовали в npj Computational Materials демонстрацию того, как GAN можно применять для повышения разрешения микроскопических изображений и обеспечения возможности количественной оценки мелких элементов, невидимых для невооруженным глазом, например трещины в электродных частицах.
«Мы надеемся использовать этот новый нано-КТ-сканер для информирования о будущих методах синтеза и производства материалов для аккумуляторов следующего поколения », — сказал Финеган. «Возможность выполнять визуализацию с таким разрешением внутри компании позволяет нашей исследовательской группе получить более глубокое и более быстрое представление о материалах, которые более устойчивы к механизмам деградации, таким как растрескивание частиц. Эта возможность в сочетании с другими методами микроскопии и новой машиной -методы обучения расширяют наши характеристики до совершенно нового предела».