从相场模拟视频序列中预测化学力学损伤,使用基于深度学习的方法

科学领域:

• 材料科学 材料科学 材料科学
• 电化学 电化学 电化学
• 计算机建模 计算建模

背景情况:

• 离子电池故障机制对于更广泛的采用至关重要.
• 操作显微镜和相场模型用于研究材料异质性和多物理合.
• 对于即将发生的电池故障的预测模型是不发达的.

研究的目的:

• 探索卷积长期短期记忆网络,用于预测电池阴极材料的损坏.
• 用相场模拟视频作为操作显微镜数据的代理.
• 用定制的定量指标来评估模型性能.

主要方法:

• 卷积长短期记忆 (LSTM) 网络应用于相场模拟中的视频序列.
• 训练了两个模型:一个只使用损伤视频,另一个使用损伤和水静压力视频.
• 开发了定制的定量指标,以评估模型在预测骨折行为的性能.

主要成果:

• 深度学习模型在预测断裂行为方面表现出显著的能力,包括裂传播角度和长度.
• 这些模型成功地使用模拟中的有限数据预测了即将发生的故障.
• 结合损伤和液态应力视频可能提高预测准确性 (更多细节在研究中).

结论:

• 深度学习,特别是LSTM网络,为预测电池材料故障提供了强大的工具.
• 这种方法可以预测关键故障事件,如阴极材料中的裂传播.
• 这些发现为开发更安全,更可靠的离子电池铺平了道路.