在全固态电池中的多相阴极复合材料的机器学习辅助微结构量化:与电池性能的相关性
Heesu Hwang1, Hyeseong Jeong2,3, Jeong-Won Cho1
1Department of Materials Science and Engineering, Hongik University, Seoul, 04066, Republic of Korea.
Small (Weinheim an der Bergstrasse, Germany)
|January 19, 2025
概括
本研究引入了用于分析全固态电池 (ASSB) 电子显微镜图像的机器学习. 这种方法可以进行定量微结构分析,以提高电池性能和材料开发.
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
- 数据科学数据科学数据科学
背景情况:
- 优化微观结构和材料是高性能全固态电池 (ASSB) 的关键.
- 电子显微镜图像对于ASSB分析至关重要,但往往未得到充分利用或质量评估.
- 需要准确的定量分析才能充分利用微结构数据来改善ASSB.
研究的目的:
- 探索基于机器学习 (ML) 的电子显微镜图像的定量分析,用于ASSB微结构特征.
- 应用ML结合立体学和语义细分来提取定量微观结构参数.
- 为了证明ML辅助图像分析对优化ASSB性能的实用性.
主要方法:
- 利用机器学习算法对电子显微镜图像进行定量分析.
- 集成的立体学驱动的线性截取方法与语义细分.
- 应用ML辅助的图像分析在ASSB中的复合阴极上,用于微观结构的表征.
主要成果:
- 从电子显微镜图像中成功提取了定量微结构参数.
- 在微观结构性表征中展示了无偏的自动化和深度语义细分.
- 展示了ML辅助技术的适用性,用于ASSB材料优化.
结论:
- 基于ML的定量图像分析为ASSB研究提供了强大的方法.
- 这种方法增强了电子显微镜数据的利用,用于材料开发和性能评估.
- 该研究讨论了在电池科学中使用ML辅助的微结构特征的优缺点.
更多相关视频
11:25Identification and Quantification of Decomposition Mechanisms in Lithium-Ion Batteries; Input to Heat Flow Simulation for Modeling Thermal Runaway
Published on: March 7, 2022
4.5K
07:20Screening of Coatings for an All-Solid-State Battery Using In Situ Transmission Electron Microscopy
Published on: January 20, 2023
2.5K
