Ulusal Yenilenebilir Enerji Laboratuvarı [National Renewable Energy Laboratory (NREL)], X-ışını görüntüleme tekniklerinin enerji depolama sistemlerinin performansı hakkında bazı kritik bilgileri elde edilebileceğini gösterdiler. NREL araştırmacıları, batarya materyallerinin bileşimi ve mimarisini incelemek için X-ışını görüntüleme tekniklerini kullanan yeni araştırmalar konusunda başı çekmektedir. X-ışını nano ölçekli bilgisayar destekli tomografi [nanoscale computed tomography (Nano-CT)] tarama cihazlarına beklenen yeni gelişmeler sayesinde NREL araştırmacıları, enerji materyalleri hakkında öncesindeki araştırmalara nazaran daha açık ve anlaşılabilir çalışmalar yapacaklar. Bu durum enerji sistemleri için yeni gelişmelere neden olabilir.
“Elektrokimyasal araştırmalar konusunda lider bir tesis olarak, Nano-CT gibi ileri teknolojileri desteklemek ve yatırım yapmak çok önemli” diyen kıdemli NREL Depolama Teknolojileri Araştırmacısı Donal Finegan. “Bu tarama cihazı sayesinde sadece yüksek enerjili elektron hızlandırıcı x-ışını tesislerinde erişilebilen 50 nanometrelik uzaysal çözünürlüğe kendi tesislerimizde ulaşabileceğiz.” diye ekledi.
Nano-CT sistemlerindeki önemli gelişmeler pil materyallerini anlamak ve analiz etmek adına yeni gelişmelere yol açacaktır. Bu sistemlerde incelenen örnek dönerken x-ışını hüzmesi cismin çok yüksek çözünürlüklü 3 boyutlu resmini çıkartır. Bu görüntüleme metodu sonucunda, batarya materyallerinin kristal yapıları, kimyasal bileşimlerini ve 3 boyutlu mimarileri gibi özelliklerini anlayabiliriz. Nano-CT teknolojisinin yıkıcı olmayan doğası göz önüne alındığında, araştırmacılar, çalışma veya döngü evresi sırasında bir batarya içindeki reaksiyonları anlamak için değişiklikleri gerçek zamanlı olarak görüntüleyebilirler.
Batarya araştırmaları için gelecekteki fırsatlar
NREL, University of California San Diego, Universite de Picardie Jules Verne ve Thermo Fisher Scientific kurumları iş birliğiyle ve nanoteknoloji araştırmacıları önderliğinde Nature Nanotechnology dergisinde yayımlanan makalede batarya teşhis görüntülemesi adına tarihi ve devrimsel trendleri açıklarken, bu teknolojiyi makine öğrenmesi tekniği ile sanal model oluşturma yeteneklerinin entegre edilebileceğini öneriyor.1
Makine öğrenimi tekniği bilgisayarları sonuçları tahmin edebilmek için modeller üretmesi ve analiz sürecini otomatikleştirmesi konusunda eğitiyor. Bu durum Nano-CT teknolojisiyle birleştiğinde bilgisayarlar tahmini modeller üreterek elektrot mikro yapılarının ya da materyal farklılığının (heterojenlik) nasıl elektrokimyasal tepkileri etkilediğini analiz edebilir. Bunun sonucunda araştırmacılar hızlıca karmaşık veri setlerini raporlayıp yeni nesil batarya tasarımları için çözümler üretebilirler.
Ek olarak, üretken rekabet eden ağlar [generative adversarial networks (GAN)] gibi modelleme araçları, dijital görüntülerin çözünürlüğünü yükseltebilir ve lityum iyon (Li-ion) elektrot partikül morfolojisinin bütünsel bir görünümünü veya basitçe yapısını tamamlamak için tanısal görüntüleme ölçekleri arasındaki boşlukları tamamlayabilir. Örneğin, süreçte elektrot parçacıklarının şekli ve boyutu büyük ölçüde değişebilir ve çok ölçekli görüntüleme sayesinde pillerin nasıl çalıştığı aynı anda izlenebilir. Bataryaların ömrünü, güvenliğini ve güvenilirliğini olumsuz etkileyen bozulma mekanizmaları veya malzeme tutarsızlıkları gibi detayları görebilmek için bu önemli bir adımdır.
NREL, University of Ulm ve Argonne National Laboratory iş birliğiyle GAN sisteminin nasıl mikroskobik boyuttaki fotoğraflara uygulanarak gözle görülemeyecek küçük detayları (elektrotlar üzerindeki çatlaklar gibi) nicelleştirebileceklerine dair yakın zamanda bir çalışma yayınladı.2
Donal Finegan çalışmalar hakkında “Umuyoruz ki yeni Nano-CT tarayıcıları gelecek nesil batarya materyalleri sentez ve üretim teknikleri için kullanacağız. Görüntüleme teknolojilerindeki ilerlemeler ve bu teknolojilerin tesis içine entegresi sayesinde araştırma ekiplerimiz bozulma mekanizmaları sonucunda çıkan sorunlarda (parçacık çatlaması gibi) çok daha hızlı ve derin öngörülere sahip olabilecek. Bu kabiliyet, mikroskopik teknikleri ve makine öğrenimi yöntemleriyle madde karakterizasyonu için yeni bir ufuk…” dedi.
Kaynaklar
- Jonathan Scharf vd., Bridging nano- and microscale X-ray tomography for battery research by leveraging artificial intelligence, Nature Nanotechnology (2022). DOI: 10.1038/s41565-022-01081-9
- Orkun Furat vd., Super-resolving microscopy images of Li-ion electrodes for fine-feature quantification using generative adversarial networks, npj Computational Materials (2022). DOI: 10.1038/s41524-022-00749-z