鋰離子電池（LIBs）的性能不僅與組成材料的電化學性能密切相關，而且與這些材料的形態(tài)也相關。LIBs電極和隔膜的孔結(jié)構(gòu)決定了鋰離子在電解質(zhì)中的有效傳輸系數(shù)。低有效傳輸會增加離子電阻，導致電壓損失（過電位）、可用容量減小和倍率容量降低。此外，活性粒子周圍的炭黑結(jié)合域（CBD）分布對于確保整個電池循環(huán)壽命期間的低電子電阻和機械穩(wěn)定性至關重要。單元中結(jié)構(gòu)的精確三維（3D）表示，其中不同的材料相被區(qū)分和標記（即分割），有助于合理選擇材料、制造工藝和操作參數(shù)。

然而，獲得能夠精確分割和定量分析的3D重構(gòu)仍然面臨挑戰(zhàn)，主要有以下原因：1）LIBs電極中存在發(fā)散的長度標度；2）關鍵組件之間的低對比度；3）碳基材料的低衰減。同時，在低導電活性粒子也含有導電添加劑（如納米級炭黑）的情況下，識別聚合物粘合劑域不僅需要高對比度，而且還需要高空間分辨率成像。因此，只能對具有有限數(shù)量活性粒子的小樣本體積進行定量成像，而分析活性材料分布需要 5 倍最大粒徑或約100 μm 到厘米范圍內(nèi)才能具有代表性。此外，高分辨率成像通常需要很長的成像時間，使得通過對許多小樣本進行連續(xù)成像來獲得電極尺度上的統(tǒng)計相關數(shù)據(jù)變得很困難。

近日，瑞士蘇黎世聯(lián)邦理工學院Vanessa Wood（通訊作者）等人報道了一種使用深度學習工具實現(xiàn)電極體積圖像可靠分割的方法，克服了標準分割方法因?qū)Ρ榷炔蛔愣〉膯栴}。作者實現(xiàn)了用于分割的3D U-Net體系結(jié)構(gòu)，為了克服通過成像實驗獲得的訓練數(shù)據(jù)的局限性，展示了如何生成合成學習數(shù)據(jù)，包括真實的人工電極結(jié)構(gòu)及其層析重構(gòu)，并將其用于增強網(wǎng)絡性能。作者應用該方法來分割石墨-硅復合電極的x射線斷層顯微術圖像，并且表明它在標準度量中是準確的。最后，作者將其應用于對電池運行期間炭黑和粘合劑疇的微觀結(jié)構(gòu)演變進行統(tǒng)計意義上的分析。

綜上所述，該工作突出了除機器學習在電池中用于材料發(fā)現(xiàn)和故障預測的潛在用途外，利用計算機視覺空間中開發(fā)的算法分析電池內(nèi)的化學和結(jié)構(gòu)及其在循環(huán)過程中隨時間變化而演變具有重大潛力。收集和量化分析中存在明確定義錯誤的大型數(shù)據(jù)集的能力是過去基于試驗和錯誤的材料、電池設計和評估的關鍵，也是實現(xiàn)更高級別電池模型和模擬驗證的關鍵。

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