机构名称：
¥ 1.0
samuel.cooper@imperial.ac.uk在这项工作中，我们演示了生成人工智能（AI）的最新进展如何通过将制造参数与微观结构直接联系起来，并最终与全电池性能相关联[1]。我们的方法解决了电极设计中的基本挑战：只有几个常见参数（例如主动材料分数和日历压力）可以导致广泛的可实现的微观结构，每个微结构具有不同的传输属性和电化学行为。传统上，弥合此“制造对绩效”差距将需要昂贵或耗时的基于物理的模拟和/或广泛的实验活动。我们通过在电极横截面图像的小数据集上训练数据驱动的，有条件的生成模型来克服这些挑战。这些图像捕获的微结构数据改变了三个关键参数：活动材料重量百分比，孔隙率和粘合剂粘附度量。至关重要的是，在仅看到21个培训样本后，我们的生成模型准确地重现了看不见的微观结构，同时还可以预测有效的运输和界面特性。通过比较微观结构指标（例如曲折度因子，表面积），可以验证这些生成的微观结构的保真度。平均相对误差低于几％，表明在整个参数空间上可靠的插值。因此，它可以嵌入贝叶斯优化环中。每次迭代首先选择一组制造参数。一旦受过训练，生成模型就可以比基于最先进的物理制造模拟生成准确的微观结构数据五个数量级。该模型生成相应的微观结构，从中我们提取有效的特性（例如，有效材料体积分数，孔曲折度因子，如图1所示）。我们使用了自己的GPU加速求解器Daufactor2 [2]，
使用生成AIli-ion电池
主要关键词
相关文件推荐
