L’intelligenza artificiale potrebbe aiutare a migliorare le prestazioni delle batterie agli ioni di litio e delle celle a combustibile

Un nuovo algoritmo di apprendimento automatico consente ai ricercatori di esplorare possibili progetti per la microstruttura delle celle a combustibile e delle batterie agli ioni di litio, prima di eseguire simulazioni 3-D che aiutano i ricercatori ad apportare modifiche per migliorare le prestazioni.

I miglioramenti potrebbero includere una ricarica più rapida degli smartphone, l’aumento del tempo tra una ricarica e l’altra per i veicoli elettrici e l’aumento della potenza delle celle a combustibile a idrogeno che gestiscono i data center.

Il documento è pubblicato oggi in npj Materiali computazionali.

Le celle a combustibile utilizzano idrogeno pulito, che può essere generato dall’energia eolica e solare, per produrre calore ed elettricità, e le batterie agli ioni di litio, come quelle che si trovano negli smartphone, nei laptop e nelle auto elettriche, sono un tipo popolare di accumulo di energia. Le prestazioni di entrambi sono strettamente correlate alla loro microstruttura: il modo in cui i pori (fori) all’interno dei loro elettrodi sono modellati e disposti può influenzare la quantità di energia che le celle a combustibile possono generare e la velocità con cui le batterie si caricano e si scaricano.

Tuttavia, poiché i pori su scala micrometrica sono così piccoli, le loro forme e dimensioni specifiche possono essere difficili da studiare a una risoluzione sufficientemente alta da metterle in relazione con le prestazioni cellulari complessive.

Ora, i ricercatori Imperial hanno applicato tecniche di apprendimento automatico per aiutarli a esplorare virtualmente questi pori ed eseguire simulazioni 3-D per prevedere le prestazioni cellulari in base alla loro microstruttura.

I ricercatori hanno utilizzato una nuova tecnica di apprendimento automatico chiamata “reti contraddittorie generative convoluzionali profonde” (DC-GAN). Questi algoritmi possono imparare a generare dati di immagini 3D della microstruttura sulla base dei dati di allenamento ottenuti da sincrotroni eseguiti mediante imaging su nanoscala (una specie di acceleratore di particelle delle dimensioni di uno stadio di calcio).

L’autore principale Andrea Gayon-Lombardo, del Dipartimento di scienze della terra e ingegneria dell’Imperial, ha dichiarato: “La nostra tecnica ci sta aiutando a ingrandire le batterie e le celle per vedere quali proprietà influenzano le prestazioni complessive. Lo sviluppo di tecniche di apprendimento automatico basate su immagini come questa potrebbe sbloccare nuovi modi di analizzare le immagini a questa scala.”

Quando si eseguono simulazioni 3D per prevedere le prestazioni delle cellule, i ricercatori hanno bisogno di un volume di dati sufficientemente grande per essere considerato statisticamente rappresentativo dell’intera cellula. Attualmente è difficile ottenere grandi volumi di dati di immagini microstrutturali alla risoluzione richiesta.

Tuttavia, gli autori hanno scoperto che potevano addestrare il loro codice per generare set di dati molto più grandi che hanno tutte le stesse proprietà, o generare deliberatamente strutture che i modelli suggeriscono porterebbero a batterie con prestazioni migliori.

Il supervisore del progetto, il dottor Sam Cooper, della Dyson School of Design Engineering dell’Imperial, ha dichiarato: “I risultati del nostro team aiuteranno i ricercatori della comunità energetica a progettare e produrre elettrodi ottimizzati per migliorare le prestazioni cellulari. È un momento emozionante sia per l’accumulo di energia che per la macchina comunità di apprendimento, quindi siamo lieti di esplorare l’interfaccia di queste due discipline”.

Vincolando il loro algoritmo a produrre solo risultati attualmente realizzabili, i ricercatori sperano di applicare la loro tecnica alla produzione per progettare elettrodi ottimizzati per celle di prossima generazione.