喜歡就關注我們吧，訂閱更多最新訊息
第一作者：Simon Müller, Christina Sauter
通訊作者：Vanessa Wood
通訊單位：蘇黎世聯邦理工學院
論文DOI：https://doi.org/10.1038/s41467-021-26480-9
全文速覽
鋰離子電池電極準確的3D演示，包括區分標記活性顆粒、粘合劑和孔隙相，可以幫助理解並最終提高電池效能。但是，標準分割方法由於對比度不足而常常失敗。在這裡，作者展示了一種使用深度學習工具實現電極體積影象分割的可靠方法。作者實現了用於分割的3D U-Net架構，並且為了克服透過成像實驗獲得的訓練資料的侷限性，作者展示瞭如何生成合成學習資料，包括真實的人工電極結構及其斷層掃描重建，並用於增強網路效能。作者應用該方法來分割石墨-矽複合電極的X射線斷層顯微影象，並表明它在標準指標上是準確的。然後，作者應用它來對電池執行期間炭黑和粘合劑區域的微觀結構演化進行統計上有意義的分析。
背景介紹
鋰離子電池(LIB)的效能不僅與組成材料的電化學效能密切相關，而且與這些材料的形態密切相關。LIB電極和隔膜的孔結構決定了電解質中鋰離子的有效傳輸係數。低有效傳輸會增加離子電阻，從而導致電壓損失（過電位）、可用容量變小和倍率能力降低，尤其是在汽車應用所需的快速充電期間。此外，活性顆粒周圍的炭黑粘合劑域(CBD)的分佈對於確保整個電池迴圈壽命中的低電阻和機械穩定性至關重要。調整結構的能力在LIB的新興應用中尤為重要，例如電動移動性和電網儲能，這些應用受益於成百上千個電池在其迴圈壽命中的統一執行。
單元中結構的準確3D表示，其中不同的材料相被區分和標記（即分段），有助於合理選擇材料、製造工藝和操作引數。雖然基於電子和中子的成像技術具有特定的優勢，並且可以與基於X射線的成像一起使用以提供增強和相關的資料集，但基於X射線的斷層掃描分析已成為一種選擇技術，可以提供一系列解析度，尺寸從毫米到幾十奈米；並可以進行非破壞性原位或原位調查，以監測內部電極結構隨時間的演變。
然而，獲得可以準確分割和定量分析的3D重建仍然是一個挑戰，主要是由於(i) LIB 電極中存在發散的長度尺度，(ii)關鍵元件之間的低對比度，以及(iii)低衰減碳基材料。石墨活性顆粒佔商業負極的很大一部分，不提供這種對比度，可能會導致分割中的巨大誤差。此外，聚合物粘合劑域的識別，在低電導率活性顆粒的情況下還包含導電新增劑，如奈米級炭黑，不僅需要高對比度（由於碳原子序數低），還需要高空間解析度成像（由於奈米尺寸的孔和結構特徵範圍從5到150 nm）。具有高解析度（~10-50 nm 體邊緣長度）的技術具有有限的視場（~（10-50 μm）3），因此，只能定量成像具有有限數量活性粒子的小樣本體積，這是有問題的，因為分析活性材料分佈需要5倍最大粒徑，或~100 μm 到5 cm範圍內的視野才能具有代表性。此外，高解析度成像通常需要很長的成像時間，這通常使得透過連續成像許多小樣本來獲得電極尺度上的統計相關資料變得令人望而卻步。
圖文解析
圖1.電池電極的深度學習分割。這項工作的目標是展示無法使用標準技術輕鬆分割的複雜體積資料集的無監督、基於深度學習的分割。作者使用X射線斷層掃描顯微鏡(XTM)獲得的原始和迴圈石墨-矽複合電極，旨在將它們分成四個階段：孔隙空間、石墨顆粒、矽顆粒和炭黑粘合劑域(CBD)以進行統計分析作為電化學迴圈函式的結構變化。對於分割，作者應用3D U-Net神經網路架構，該架構必須使用學習資料（深藍色框）進行訓練，該架構由體積影象對組成（即，“輸入”影象和相應的“輸出”影象，它是輸入影象的分割版本）。實驗（即“真實”）學習資料很難獲得，需要多模態成像才能獲得分割的輸出影象（見淺藍色框）。計算生成的（即“人工”）學習資料可以新增到真實的學習資料中，以改進網路的訓練及其效能。作者透過基於組成材料的體積百分比、大小和形狀分佈的知識建立基本結構，然後使用真實的分割資料（淺藍色框）作為影象到影象轉換的模板來生成合成結構（藍色框）演算法（此處為CycleGAN）以建立逼真的分段結構（即“輸出”影象）。然後根據實驗條件（能量、解析度、噪聲）的知識，透過模擬這些合成結構在XTM測量中的外觀來生成“輸入”影象。
圖2.具有挑戰性的分割。(a)用XTM成像的石墨-矽複合電極斷層圖的一部分。比例尺為 5 μm。(b)閾值和(c)基於隨機遊走的分割都不會產生令人滿意的結果。低對比度區域不能準確地分成粒子區域（插圖i和ii）。(d)斷層圖的灰度值直方圖和孔隙空間（白色）、石墨顆粒（灰色）、矽顆粒（藍色）和炭黑粘合劑域（CBD）（橙色）的k均值簇。。
圖3.真實的學習資料。在石墨-矽複合電極上進行的(a) Ptychographic X 射線計算機斷層掃描(PXCT)和(b) X 射線斷層掃描顯微鏡(XTM)。來自這兩種成像方法的資料是(c)組合和(d)分段。如紅框所示，真實的訓練資料由輸入影象（(b)中的XTM影象）和輸出影象（(d)中的分割多模態影象）組成。比例尺為10 µm。
圖4.人工學習資料對分割的好處。顯示了原始資料的平面橫截面(a)和平面內橫截面(b)，以展示使用不同訓練資料集實現的分割。當僅在有限的真實學習資料(c, d) 上進行訓練時，神經網路可以正確識別矽顆粒，但無法可靠地區分孔隙空間與石墨顆粒。當使用混合學習資料(e, f) 進行訓練時，神經網路更擅長從孔隙空間中識別石墨。採用神經網路預測的石墨和矽相，並新增由閾值(g, h) 產生的炭黑粘合劑域(CBD)，改進了CBD的細節。(b, d, f, h) 中的插圖突出了分割的改進，特別是對於石墨和CBD域。(b)中的疊加顯示了(h)在原始斷層掃描影象上的最終分割結果。比例尺為10 µm。。
圖5.人工學習資料的生成。基於多邊形形狀生成初始基本結構，如2D (a) 和3D (b) 所示。使用風格轉移演算法，實現合成結構（c，d）。合成結構(f)的斷層掃描模擬，即(e)中所示的橫截面，完成了人工學習資料的生成。(a, c) 和(e)的比例尺為5 μm。
圖6.深度學習分割。插圖強調了對於每個樣本，深度學習方法應用於775個子集(a)，這些子集一旦被分割，就會被重新組裝。原始樣品和迴圈兩次、五次和八次的樣品的多相分割(b)能夠進行許多不同的微觀結構分析。
圖7.分割電極的分析。三個原始(pr.)和三個迴圈樣品的孔隙空間(黑色)、石墨顆粒(灰色)、炭黑-粘合劑域(CBD) (黃色)和矽顆粒(藍色)佔據的體積分數(a)兩次、五次或八次。紅色虛線表示基於電極製造的每個相預期的平均體積分數。在不同迴圈狀態下，石墨顆粒（下）和矽顆粒（上）的表面覆蓋率（b）以及孔隙空間（灰色）和CBD（橙色）。陰影區域表示標準偏差。
圖8.微觀結構隨迴圈的演變。原始電極子體積(a)的重建，顯示炭黑粘合劑域(CBD)（金）如何在孔隙中聚集，特別是在矽顆粒周圍（藍色）。圖示顯示瞭如何定義圍繞石墨(b)和矽相(c)的同心殼。對於原始樣品（黑色）和迴圈兩次、五次和八次的樣品，在石墨（d）和矽（e）顆粒周圍的殼中的CBD含量。陰影代表三個樣本的標準偏差。在矽顆粒附近，CBD的位置發生變化，表明電極迴圈時會發生分離和間隙形成（虛線）。比例尺為2 μm。
總結與展望
由於技術限制或實際限制（例如，時間或系統可用性），即使是最先進的鋰離子電池電極體積成像也只能提供次優的影象質量。體積資料集的準確分割很困難，雖然基於深度學習的分割可以提供幫助，但其有效性取決於在許多情況下不易獲得的高質量學習資料的可用性。
作者對迴圈後石墨-矽複合陽極中炭黑粘合劑域的研究表明了合成數據的可行性和價值。事實上，該工作強調了鋰離子電池電極如何為合成生成的資料集上的基於深度學習的分割提供一個有趣的用例。連同對成像過程的理解，實況資訊可用於建立合成結構和模擬影象資料。透過使用真實和合成的訓練資料填充資料庫，將能夠提高基於深度學習的演算法對分割電池電極的適用性。
此外，除了分割之外，無需分割即可進行更高級別分配的工具，例如直接提取某些材料相（例如，炭黑-粘合劑域網路識別），查詢具有缺陷結構特性的區域（例如，斷裂的顆粒或具有缺陷的區域）。異常高或低的孔隙率），或根據微觀結構形態評估健康狀況。
這項工作強調，除了在電池中使用機器學習進行材料發現和故障預測之外，利用計算機視覺空間中開發的演算法來分析電池內的化學和結構及其時間相關性的潛力巨大。在分析中收集和量化具有明確定義的錯誤的大型資料集的能力是超越基於試錯法的材料和電池設計和評估以及實現更高級別電池模型和模擬驗證的關鍵。
