Pazartesi , Nisan 12 2021
Ana Sayfa / Enerji / Pil Teknolojileri / Makine Öğrenmesi İle Lityum İyon ve Yakıt Pillerin Performansını Artırma

Makine Öğrenmesi İle Lityum İyon ve Yakıt Pillerin Performansını Artırma

Araştırmacılar tarafından geliştirilen yeni bir makine öğrenme algoritması ile pillerin performansını iyileştirmek üzere kullanılan 3D simülasyonları daha etkin hale gelebilecek. Bu gelişme ile yakıt hücrelerinin ve lityum iyon pillerin mikro yapısı için olası yeni tasarımların keşfedilmesi beklenmekte.

Nature Partner Journals (npj) Computational Materials dergisinde 25 Haziran 2020 tarihinde yayımlanan makalede, çalışmanın amacı, akıllı telefonların daha hızlı şarj edilmesi, elektrikli araçların şarjları arasındaki sürenin artırılması ve veri merkezlerini çalıştıran hidrojen yakıt hücrelerinin gücünü artırmak olarak tanımlandı.

Yakıt hücreleri, ısı ve elektrik üretmek için rüzgar ve güneş enerjisi tarafından üretilebilen temiz hidrojen yakıtları kullanır.  popüler bir enerji depolama türü lityum iyon piller de, yoğunlukla akıllı telefonlarda, dizüstü bilgisayarlarda ve elektrikli arabalarda kullanılır. Her ikisinin performansı mikro yapılarıyla yakından ilgilidir. Bu nedenle, elektrotlarındaki gözeneklerin (deliklerin) nasıl şekillendirildiği ve düzenlendiği, yakıt hücrelerinin ne kadar güç üretebileceği ve pillerin ne kadar hızlı şarj ve deşarj olduğu gibi parametreleri etkileyebilir.

Yapay Zeka İle Lityum İyon ve Yakıt Pillerin Performansını Artırmak

Bununla birlikte, mikrometre ölçeğinde gözenekler yapısı gereği çok küçük olduğu için, spesifik şekillerini ve boyutlarını genel hücre performansıyla ilişkilendirmek için yüksek bir çözünürlükte çalışmak zor olabilmektedir.

Londra Imperial College’dan araştırmacılar bu gözenekleri sanal olarak keşfedilebilmesini kolaylaştırmak ve mikroyapılarına dayalı hücre performansını tahmin etmek için kullanılan 3D simülasyonlarına özgü makine öğrenme teknikleri uyguladılar. Araştırmacılar, “derin evrişimli üretken çekişsel ağlar” (DC-GAN’lar) adı verilen yeni bir makine öğrenme tekniği kullandılar. Bu algoritmalar, nano ölçekli görüntülemeden yapılan senkrotronlardan (bir futbol stadyumunun büyüklüğünde bir tür parçacık hızlandırıcı) elde edilen eğitim verilerine dayanarak mikro yapının 3D görüntü verilerini oluşturmayı öğrenebilmekte.

DC-GAN mimarisini gösteren şematik
DC-GAN Mimarisini Gösteren Şema

Imperial’ın Yer Bilimi ve Mühendisliği Bölümü’den ve makalenin baş yazarı Andrea Gayon-Lombardo: “Tekniğimiz, hangi özelliklerin genel performansı etkilediğini görmek için pilleri ve hücreleri doğrudan yakınlaştırarak incelememize yardımcı olmakta. Bunun gibi görüntü tabanlı makine öğrenme teknikleri geliştirmek, bu ölçekte görüntüleri analiz etmenin yeni yollarını açabilir” şeklinde açıklama yaptı.

Hücre performansını tahmin etmek için 3D simülasyonları çalıştırırken, araştırmacılar, tüm hücrenin istatistiksel olarak temsili sayılacak kadar büyük miktarda veriye ihtiyaç duyarlar. Şu anda gerekli çözünürlükte büyük hacimli mikroyapısal görüntü verisi elde etmek zordur. Bununla birlikte, ekip, kodlarını aynı özelliklere sahip çok daha büyük veri kümeleri oluşturmak veya modellerin daha iyi performans gösteren pillerle sonuçlanacağını öneren yapılar oluşturmak için eğitebileceklerini keşfetti.

Imperial’ın Dyson Tasarım Mühendisliği Okulu proje sorumlusu Dr. Sam Cooper: “Ekibimizin bulguları, enerji topluluğundan araştırmacıların, daha iyi hücre performansı için optimize edilmiş elektrotlar tasarlamasına ve üretmesine yardımcı olacak. Hem enerji depolama hem de makine öğrenimi toplulukları için heyecan verici bir zaman, bu nedenle bu iki disiplinin arayüzünü keşfetmekten mutluluk duyuyoruz ” dedi.

Makale: “Pores for thought: generative adversarial networks for stochastic reconstruction of 3D multi-phase electrode microstructures with periodic boundaries”, 25 June 2020, npj Computational Materials. DOI: 10.1038/s41524-020-0340-7 ,

Kaynak: scitechdaily.com

Bir Cevap Yazın

E-posta hesabınız yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

Copy Protected by Chetans WP-Copyprotect.