海归学者发起的公益学术平台
分享信息，整合资源
交流学术，偶尔风月
锂离子电池（LIB）在电动汽车和能源储存系统中的应用，推动了对安全和高能量密度电池的需求。LIB系统主要是由阴极、阳极、电解质、分离器等组成。每个组件之间的交互非常复杂，这阻碍了对开发高性能LIB所需的所有相互作用的充分理解。此外，即使在单个成分中，也有很多因素会影响整体容量和循环性能。各种分析和可视化工具已被用来分析各组分之间复杂的相互作用。其中，扫描电镜是一种流行的、简单的、直观的技术来表征活性材料的形态和粒子分布，以捕获不同的电极状态。然而，对获取图像的分析强烈依赖于领域专家的知识和经验。
Fig. 1 | Schematic diagram of workflow.
基于机器学习的人工智能可以不受人类的主观性影响，并且可以加速依赖人力的劳动密集型分析过程，是探索下一代电极材料和功能添加剂的强大工具。
Fig. 2 | Comparative analysis between CNN model and domain experts.
来自韩国科学技术院材料科学与工程系的Seunghum Hong教授团队，开发了一个预测模型，通过对扫描电子显微镜（SEM）图像进行卷积神级网络（CNN）训练，对各种Li (Ni, Co, Mn) O2(NCM) 阴极的主要组成及不同状态进行了分类。
Fig. 3 | Optimization of CNN model.
他们在研究中使用了各种NCM阴极的SEM图像，包括四种不同的镍含量和三种循环状态，并将14位领域专家的调查准确性与预测模型的准确性进行了比较，发现成分和循环状态分类的准确率均为99.6%，远高于领域专家30%的准确率。为了验证预测模型对其他阴极材料的更广泛适用性，作者对从含有功能添加剂的样品中获得的未训练SEM图像进行了分类，发现在预测成分方面的准确度为96%，在预测循环状态方面的准确度为34.17%。
Fig. 4 | Application of CNN model to electrode materials with additives.
该研究提出的预测模型，能够从SEM图像中准确分类NCM阴极的成分和循环状态，加速了锂离子电池材料的研究和开发。该文近期发表于npj Computational Materials 10:88 2024，英文标题与摘要如下，点击左下角“阅读原文”可以自由获取论文PDF。
Composition and state prediction of lithium-ion cathode via convolutional neural network trained on scanning electron microscopy images
Jimin Oh, Jiwon Yeom, Benediktus Madika, Kwang Man Kim, Chi Hao Liow, Joshua C. Agar & Seungbum Hong
High-throughput materials research is strongly required to accelerate the development of safe and high energy-density lithium-ion battery (LIB) applicable to electric vehicle and energy storage system. The artificial intelligence, including machine learning with neural networks such as Boltzmann neural networks and convolutional neural networks (CNN), is a powerful tool to explore next-generation electrode materials and functional additives. In this paper, we develop a prediction model that classifies the major composition (e.g., 333, 523, 622, and 811) and different states (e.g., pristine, pre-cycled, and 100 times cycled) of various Li(Ni, Co, Mn)O2 (NCM) cathodes via CNN trained on scanning electron microscopy (SEM) images. Based on those results, our trained CNN model shows a high accuracy of 99.6% where the number of test set is 3840. In addition, the model can be applied to the case of untrained SEM data of NCM cathodes with functional electrolyte additives.
扩展阅读
