Новый алгоритм машинного обучения позволяет исследователям изучить возможные конструкции микроструктуры топливных элементов и литий-ионных аккумуляторов, что поможет исследователям вносить изменения для повышения производительности.
Улучшения могут включать ускорение зарядки смартфонов, увеличение времени между зарядками электромобилей и даже увеличение мощности водородных топливных элементов, работающих в центрах обработки данных.
Характеристики аккумуляторов энергии тесно связаны с их микроструктурой: пористость, форма электродов и их расположение. Все это может влиять на то, сколько энергии могут генерировать топливные элементы и как быстро заряжаются и разряжаются батареи.
Однако из-за того, что поры очень малы, их конкретные формы и размеры трудно изучать при достаточно высоком разрешении, чтобы связать их с общей производительностью ячейки.
Поэтому ИИ призван помочь виртуально исследовать эти поры и запустить трехмерное моделирование, предсказывающие производительность клеток на основе их микроструктуры.
Исследователи использовали новую технику машинного обучения, которая называется «глубоко сверточные порождающие состязательные сети» (DC-GAN). Эти алгоритмы могут научиться генерировать трехмерные данные изображения микроструктуры на основе обучающих данных, полученных из наноразмерных изображений, выполняемых синхротронами (разновидность ускорителя частиц размером с футбольный стадион).
«Выводы нашей команды помогут исследователям из энергетического сообщества спроектировать и изготовить оптимизированные электроды для повышения производительности ячеек. Это захватывающее время как для накопления энергии, так и для машинного обучения, поэтому мы рады изучить интерфейс этих двух дисциплин "
Ребята, ставьте лайки, делитесь, комментируйте. Общение с умными людьми всегда приятно.
P.S. Мой труд можно оценить подпиской на канал
Мои работы:
Спонсор: работа моего брата