Pazar , Nisan 11 2021
Ana Sayfa / Enerji / Pil Teknolojileri / Lityum-İyon Pillerde Zamanla Oluşan Performans Düşüşünü İncelemek İçin Kullanılan Yapay Zeka ve Görüntü İşleme Teknolojisi

Lityum-İyon Pillerde Zamanla Oluşan Performans Düşüşünü İncelemek İçin Kullanılan Yapay Zeka ve Görüntü İşleme Teknolojisi

Yeni makine öğrenme yöntemleri ve görüntü işleme teknolojileri ile lityum iyon pillerin zamanla nasıl bozulduğunu daha detaylı analiz etmek mümkün mü?

Günümüzde birçok elektronik cihazda kullanılan lityum iyon piller, zaman içinde performansını kaybetmekte ve bu durum cihaz kullanıcıları için bir sorun haline gelebilmektedir. Amerikan Enerji Bakanlığı’nın SLAC Ulusal Hızlandırıcı Laboratuvarı’ndaki bilim adamları da bu konunun çözümüne yönelik, bir pil bileşeni olan katodun zamanla nasıl parçalandığına dair ayrıntılı analizi için, probleme özgü makine öğrenme algoritmalarını X-ışını tomografi verileriyle birleştirdiler.

Credit: Yijin Liu/SLAC National Accelerator Laboratory
Credit: Yijin Liu/SLAC National Accelerator Laboratory

Nature Communications’da Mayıs 2020’de yayımlanan yeni çalışmada, nikel-manganez-kobalt veya NMC’den yapılmış katotlarda zamanla ne gibi değişimler olduğunu anlayabilmek için nasıl daha iyi görsel analiz yapılabileceği konusuna odaklanıldı. Katotlarda, NMC parçacıkları iletken bir karbon matrisi tarafından bir arada tutulur. Araştırmacılar pillerdeki performans düşüşünün bir nedeninin bu matristen kopan parçacıklar olabileceğini düşündüler. Ekip, NMC parçacıklarının matristen nasıl kırılarak ayrıldığını kapsamlı bir şekilde analiz edebilmek için SLAC’ın Stanford Synchrotron Radyasyon Işık Kaynağı (SSRL) ve Avrupa Synchrotron Radyasyon Tesisi’ndeki (ESRF) en son teknolojik yetenekleri birleştirerek performans kayıplarını incelediler.

Tabii ki, yüzlerce NMC katodunun görüntüsüne bakarak neler olduğunu anlamanın uzun ve kolay olmayan bir yöntem olduğu düşünüldüğünde, araştırmacılar aslında ağaç, köpek, araba gibi nesnelerin görüntüleri veya videoları taramak, tanımlamak ve izlemek için tasarlanmış makine öğrenme algoritmalarına yöneldi. Tabi bu kolay bir geçiş olmadı çünkü bilgisayar görme algoritmaları genellikle açık veya koyu çizgilerle tanımlanan alanları sınıflandırır, bu nedenle birbirine yapışmış birkaç küçük NMC parçacığı veya tek bir büyük parça halinde olup kısmi kırıkları olan parçacıkları ayırt etmekte zorlanırlar ve çoğu bilgisayar görme sisteminde, bu kırıklar temiz noktalar olarak görülür.Lityum iyon piller - katot- yapay zeka - görüntü işleme tekniği

Bu sorunu çözmek için ekip, hiyerarşik nesnelerle uğraşmak için oluşturulmuş (birçok ayrı parçadan oluşmasına rağmen tam bir varlık olarak düşüneceğimiz bir yapboz benzeri) bir tür algoritma kullandı. Araştırmacıların algoritmaya sundukları öğrenme verileri ve analizleri ile, farklı türdeki parçacıkları ayırt etmek, böylece NMC parçacıklarının büyük ya da küçük, kırık ya da kırık olmasa da katottan nasıl ayrıldığının üç boyutlu bir resmini oluşturabilmek için algoritmayı eğittiler. Karbon matrisinden ayrılan parçacıkların, akıllı telefonlar gibi tüketici elektroniklerinde “tipik olarak göreceği koşullar altında” bir pilin performans düşüşüne gerçekten önemli ölçüde sebebiyet verdiğini keşfettiler.

SLAC’da çalışan ve yayımlanan makalenin yazarlarından olan Yijin Liu, araştırmacıların genellikle pil parçacıklarını küçülterek daha uzun ömürlü piller yapabildiklerini varsaydıklarını, şimdiye kadar ki yapılan çalışmalar dikkate alındığında büyük NMC partiküllerinin hasar görme ve parçalanma olasılığı daha yüksekken, küçük partikül de daha az parçalandığı düşüncesi doğru olabileceğini söyledi. Fakat yaptıkları yeni çalışma ile, küçük partiküllerin davranış biçiminde daha fazla varyasyon olduğu gözlemlendiğini, bu alanda yapılacak yeni çalışmalar ile bu varsayımların değişebileceğini ifade etti.

Makale: “Machine-learning-revealed statistics of the particle-carbon/binder detachment in lithium-ion battery cathodes” by Zhisen Jiang, Jizhou Li, Yang Yang, Linqin Mu, Chenxi Wei, Xiqian Yu, Piero Pianetta, Kejie Zhao, Peter Cloetens, Feng Lin and Yijin Liu, 8 May 2020, Nature Communications.
DOI: 10.1038/s41467-020-16233-5

Bir Cevap Yazın

E-posta hesabınız yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

Copy Protected by Chetans WP-Copyprotect.