Las baterías de iones de litio pierden su jugo con el tiempo, lo que hace que los científicos e ingenieros trabajen arduamente para comprender ese proceso en detalle. Ahora, los científicos del Laboratorio Nacional de Aceleradores SLAC del Departamento de Energía han combinado algoritmos sofisticados de aprendizaje automático con datos de tomografía de rayos X.para producir una imagen detallada de cómo un componente de la batería, el cátodo, se degrada con el uso.
El nuevo estudio, publicado el 8 de mayo en Comunicaciones de la naturaleza enfocado en cómo visualizar mejor lo que está sucediendo en los cátodos de níquel-manganeso-cobalto o NMC. En estos cátodos, las partículas de NMC se mantienen unidas por una matriz de carbono conductor, y los investigadores han especulado que una de las causas de la disminución del rendimientopodrían ser partículas que se separan de esa matriz. El objetivo del equipo era combinar capacidades de vanguardia en la Fuente de Luz de Radiación Sincrotrón Stanford SSRL de Stanford y la Instalación Europea de Radiación Sincrotrón ESRF para desarrollar una imagen completa de cómo las partículas NMC se rompen y se rompenlejos de la matriz y cómo eso podría contribuir a las pérdidas de rendimiento.
Por supuesto, es una tarea difícil para los humanos darse cuenta de lo que está sucediendo simplemente mirando imágenes de un cátodo NMC, por lo que el equipo recurrió a la visión por computadora, un subcampo de algoritmos de aprendizaje automático originalmente diseñado para escanear imágenes o videos e identificary rastrear objetos como perros o automóviles.
Incluso entonces, había desafíos. Los algoritmos de visión por computadora a menudo se centran en los límites definidos por líneas claras u oscuras, por lo que les costaría mucho diferenciar entre varias pequeñas partículas NMC pegadas y una sola grande pero parcialmente fracturada; aEn la mayoría de los sistemas de visión por computadora, esas fracturas se verían como cortes limpios.
Para abordar ese problema, el equipo utilizó un tipo de algoritmo configurado para tratar con objetos jerárquicos, por ejemplo, un rompecabezas, que podríamos considerar como una entidad completa a pesar de que se compone de muchas piezas individuales.aportados y juicios de los propios investigadores, entrenaron este algoritmo para distinguir diferentes tipos de partículas y así desarrollar una imagen tridimensional de cómo las partículas NMC, grandes o pequeñas, fracturadas o no, se separan del cátodo.
Descubrieron que las partículas que se desprenden de la matriz de carbono realmente contribuyen significativamente al deterioro de la batería, al menos en condiciones que normalmente se verían en la electrónica de consumo, como los teléfonos inteligentes.
Segundo, aunque es más probable que las partículas grandes de NMC se dañen y se rompan, también se separan unas cuantas partículas más pequeñas y, en general, hay más variación en la forma en que se comportan las partículas pequeñas, dijo Yijin Liu, científico del personal de SLACy un autor principal del nuevo artículo. Eso es importante porque los investigadores generalmente asumieron que al hacer más pequeñas las partículas de la batería, podrían fabricar baterías de mayor duración, algo que el nuevo estudio sugiere que podría no ser tan sencillo, dijo Liu.
Fuente de la historia :
Materiales proporcionado por Laboratorio nacional de aceleración DOE / SLAC . Original escrito por Nathan Collins. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :