Une étude utilise l'IA de reconnaissance d'image pour déterminer la composition et l'état des batteries
Une équipe de recherche collaborative internationale a développé 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 en examinant uniquement sa morphologie de surface à l’aide de l’apprentissage de l’IA.
Le professeur Seungbum Hong du département des sciences et de l'ingénierie des matériaux de l'Institut coréen des sciences et technologies avancées (KAIST), en collaboration avec l'Institut de recherche en électronique et télécommunications (ETRI) et l'Université Drexel aux États-Unis, a développé une méthode permettant de prédire la composition élémentaire majeure et l'état de charge-décharge des matériaux de cathode NCM avec une précision de 99,6 % en utilisant des réseaux neuronaux convolutifs (CNN).
L'article est publié dans la revue Matériaux informatiques npj.
L'équipe de recherche a noté que si la microscopie électronique à balayage (MEB) est utilisée dans la fabrication de semi-conducteurs pour inspecter les défauts des plaquettes, elle est rarement utilisée dans les inspections de batteries. La SEM est utilisée pour les batteries afin d'analyser la taille des particules uniquement sur les sites de recherche, et la fiabilité est prédite à partir des particules cassées et de la forme de la rupture dans le cas de matériaux de batterie détériorés.
L'équipe de recherche a décidé qu'il serait révolutionnaire qu'un SEM automatisé puisse être utilisé dans le processus de production de batteries, tout comme dans la fabrication de semi-conducteurs, pour inspecter la surface du matériau de la cathode afin de déterminer s'il a été synthétisé selon la composition souhaitée et que la durée de vie serait fiable, réduisant ainsi le taux de défauts.
Les chercheurs ont formé une IA basée sur CNN applicable aux véhicules autonomes pour apprendre les images de surface des matériaux de batterie, ce qui lui permet de prédire la composition élémentaire majeure et les états du cycle de charge-décharge des matériaux de la cathode. Ils ont découvert que si la méthode pouvait prédire avec précision la composition des matériaux avec additifs, elle avait une précision moindre pour prédire les états de charge-décharge.
L’équipe prévoit de former davantage l’IA avec diverses morphologies de matériaux de batterie produites par différents processus et, à terme, 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, l'un des chercheurs collaborateurs du projet du département de génie mécanique et de mécanique de l'université Drexel, a déclaré : « À l'avenir, l'intelligence artificielle devrait être appliquée non seulement aux matériaux des batteries, mais aussi à divers processus dynamiques dans la synthèse de matériaux fonctionnels, la production d'énergie propre dans la fusion et la compréhension des fondements des particules et de l'univers. »
Le professeur Seungbum Hong du KAIST, qui a dirigé la recherche, a déclaré : « Cette recherche est importante car elle est la première au monde à développer une méthodologie basée sur l'IA qui peut prédire rapidement et avec précision la composition élémentaire majeure et l'état de la batterie à partir des données structurelles des images SEM à l'échelle du micron.
« La méthodologie développée dans cette étude pour identifier la composition et l'état des matériaux des batteries à partir d'images microscopiques devrait jouer un rôle crucial dans l'amélioration des performances et de la qualité des matériaux des batteries à l'avenir. »
Cette recherche a été menée par les diplômés du département des sciences et de l'ingénierie des matériaux du KAIST, le Dr Jimin Oh et le Dr Jiwon Yeom, co-premiers auteurs, en collaboration avec le professeur Josh Agar et le Dr Kwang Man Kim de l'ETRI.
