Une étude utilise une intelligence artificielle de reconnaissance d’images pour déterminer la composition et l’état des batteries

découvrez comment une étude utilise l'intelligence artificielle pour analyser la composition et l'état des batteries grâce à la reconnaissance d'images.

Une récente étude se penche sur l’utilisation de l’intelligence artificielle pour analyser la composition et l’état des batteries. Cette approche novatrice permet d’optimiser la performance et la durabilité de ces éléments essentiels à de nombreuses technologies.

Une étude révolutionne l’inspection des batteries grâce à l’IA de reconnaissance d’images


Une équipe de recherche internationale a mis au point une technologie de reconnaissance d’images capable de déterminer avec précision la composition élémentaire et le nombre de cycles de charge et de décharge d’une batterie simplement en examinant sa morphologie de surface à l’aide de l’apprentissage automatique de l’IA.

Les chercheurs et leurs contributions


Le Professeur Seungbum Hong du Korea Advanced Institute of Science and Technology (KAIST) en collaboration avec l’Electronics and Telecommunications Research Institute (ETRI) et l’Université Drexel aux États-Unis, ont développé une méthode pour prédire la composition élémentaire principale et l’état de charge-décharge des matériaux cathodiques NCM avec une précision de 99,6% grâce à des réseaux de neurones convolutifs (CNN).

L’étude a été publiée dans le journal npj Computational Materials.

Comparaison avec l’industrie des semi-conducteurs


Les chercheurs ont noté que, bien que la microscopie électronique à balayage (SEM) soit couramment utilisée dans la fabrication de semi-conducteurs pour inspecter les défauts des wafers, elle est rarement utilisée pour les batteries. Actuellement, la SEM permet d’analyser la taille des particules uniquement sur les sites de recherche et de prédire la fiabilité à partir des particules cassées et de la forme des brisures dans le cas des matériaux de batterie détériorés.

Vers une production automatisée et fiable


L’équipe de recherche envisage que l’utilisation d’une SEM automatisée dans le processus de production des batteries, à l’instar de la fabrication des semi-conducteurs, pourrait être révolutionnaire. Cela permettrait d’inspecter la surface du matériau cathodique pour assurer sa composition souhaitée et sa durée de vie fiable, réduisant ainsi le taux de défauts.

Formation et résultats de l’IA


Les chercheurs ont formé une IA basée sur un CNN applicable aux véhicules autonomes pour qu’elle apprenne les images de surface des matériaux de batterie, lui permettant de prédire la composition élémentaire principale et les états de cycle de charge-décharge des matériaux cathodiques. Bien que la méthode puisse prédire avec précision la composition des matériaux avec des additifs, elle montrait une moindre précision pour les états de cycles de charge-décharge.

Perspectives futures


L’équipe prévoit de continuer à former l’IA avec diverses morphologies de matériaux de batterie produites par différents procédés, dans le but ultime de l’utiliser pour inspecter l’uniformité de la composition et prédire la durée de vie des batteries de nouvelle génération.

Le professeur Joshua C. Agar, un des chercheurs collaborateurs de l’Université Drexel, a déclaré : “À l’avenir, l’intelligence artificielle pourrait être appliquée non seulement aux matériaux de batterie mais aussi à divers processus dynamiques dans la synthèse de matériaux fonctionnels, la production d’énergie propre par fusion, et la compréhension des particules et de l’univers.”

Signification de la recherche


Le professeur Seungbum Hong de KAIST, qui a dirigé la recherche, a souligné que cette étude est la première au monde à développer une méthodologie basée sur l’IA capable de prédire rapidement et précisément la composition élémentaire principale et l’état de la batterie à partir des données structurelles d’images SEM à l’échelle micrométrique.

“La méthodologie développée dans cette étude pour identifier la composition et l’état des matériaux de batterie à partir d’images microscopiques devrait jouer un rôle crucial dans l’amélioration des performances et de la qualité des matériaux de batterie à l’avenir,” a-t-il ajouté.

La recherche a été réalisée par les diplômés du département de science des matériaux et d’ingénierie de KAIST, Dr. Jimin Oh et Dr. Jiwon Yeom, les co-premiers auteurs, en collaboration avec le professeur Josh Agar et le Dr. Kwang Man Kim de l’ETRI.

Informations supplémentaires


Pour en savoir plus : Jimin Oh et al., Composition and state prediction of lithium-ion cathode via convolutional neural network trained on scanning electron microscopy images, npj Computational Materials (2024). DOI: 10.1038/s41524-024-01279-6

Citation : Recherche utilisant l’IA pour déterminer la composition des batteries (2024, 2 juillet), récupéré le 2 juillet 2024 de https://techxplore.com/news/2024-07-employs-image-recognition-ai-battery.html

Ce document est protégé par le droit d’auteur. Aucune partie ne peut être reproduite sans autorisation écrite, sauf pour un usage personnel et non commercial.

Points Clés de l’Étude

AspectDescription
Technologie UtiliséeIA de reconnaissance d’images
CollaborateursKAIST, ETRI, Université Drexel
Publicationnpj Computational Materials
Précision de Prédiction99.6%
ApplicationInspection des batteries
FuturPrédiction de la durée de vie et uniformité de la composition des nouvelles batteries