苏黎世联邦理工Nature子刊：深度学习助力研究LIBs

锂离子电池（LIBs）的性能不仅与组成材料的电化学性能密切相关，而且与这些材料的形态也相关。LIBs电极和隔膜的孔结构决定了锂离子在电解质中的有效传输系数。低有效传输会增加离子电阻，导致电压损失（过电位）、可用容量减小和倍率容量降低。此外，活性粒子周围的炭黑结合域（CBD）分布对于确保整个电池循环寿命期间的低电子电阻和机械稳定性至关重要。单元中结构的精确三维（3D）表示，其中不同的材料相被区分和标记（即分割），有助于合理选择材料、制造工艺和操作参数。

然而，获得能够精确分割和定量分析的3D重构仍然面临挑战，主要有以下原因：1）LIBs电极中存在发散的长度标度；2）关键组件之间的低对比度；3）碳基材料的低衰减。同时，在低导电活性粒子也含有导电添加剂（如纳米级炭黑）的情况下，识别聚合物粘合剂域不仅需要高对比度，而且还需要高空间分辨率成像。因此，只能对具有有限数量活性粒子的小样本体积进行定量成像，而分析活性材料分布需要 5 倍最大粒径或约100 μm 到厘米范围内才能具有代表性。此外，高分辨率成像通常需要很长的成像时间，使得通过对许多小样本进行连续成像来获得电极尺度上的统计相关数据变得很困难。

近日，瑞士苏黎世联邦理工学院Vanessa Wood（通讯作者）等人报道了一种使用深度学习工具实现电极体积图像可靠分割的方法，克服了标准分割方法因对比度不足而失败的问题。作者实现了用于分割的3D U-Net体系结构，为了克服通过成像实验获得的训练数据的局限性，展示了如何生成合成学习数据，包括真实的人工电极结构及其层析重构，并将其用于增强网络性能。作者应用该方法来分割石墨-硅复合电极的x射线断层显微术图像，并且表明它在标准度量中是准确的。最后，作者将其应用于对电池运行期间炭黑和粘合剂畴的微观结构演变进行统计意义上的分析。

综上所述，该工作突出了除机器学习在电池中用于材料发现和故障预测的潜在用途外，利用计算机视觉空间中开发的算法分析电池内的化学和结构及其在循环过程中随时间变化而演变具有重大潜力。收集和量化分析中存在明确定义错误的大型数据集的能力是过去基于试验和错误的材料、电池设计和评估的关键，也是实现更高级别电池模型和模拟验证的关键。

Deep learning-based segmentation of lithium-ion battery microstructures enhanced by artifificially generated electrodes.Nature Communications, 2021, DOI: 10.1038/s41467-021-26480-9.