喜欢就关注我们吧，订阅更多最新消息
第一作者：Simon Müller, Christina Sauter
通讯作者：Vanessa Wood
通讯单位：苏黎世联邦理工学院
论文DOI：
https://doi.org/10.1038/s41467-021-26480-9
全文速览
锂离子电池电极准确的3D演示，包括区分标记活性颗粒、粘合剂和孔隙相，可以帮助理解并最终提高电池性能。但是，标准分割方法由于对比度不足而常常失败。在这里，作者展示了一种使用深度学习工具实现电极体积图像分割的可靠方法。作者实现了用于分割的3D U-Net架构，并且为了克服通过成像实验获得的训练数据的局限性，作者展示了如何生成合成学习数据，包括真实的人工电极结构及其断层扫描重建，并用于增强网络性能。作者应用该方法来分割石墨-硅复合电极的X射线断层显微图像，并表明它在标准指标上是准确的。然后，作者应用它来对电池运行期间炭黑和粘合剂区域的微观结构演化进行统计上有意义的分析。
背景介绍
锂离子电池(LIB)的性能不仅与组成材料的电化学性能密切相关，而且与这些材料的形态密切相关。LIB电极和隔膜的孔结构决定了电解质中锂离子的有效传输系数。低有效传输会增加离子电阻，从而导致电压损失（过电位）、可用容量变小和倍率能力降低，尤其是在汽车应用所需的快速充电期间。此外，活性颗粒周围的炭黑粘合剂域(CBD)的分布对于确保整个电池循环寿命中的低电阻和机械稳定性至关重要。调整结构的能力在LIB的新兴应用中尤为重要，例如电动移动性和电网储能，这些应用受益于成百上千个电池在其循环寿命中的统一运行。
单元中结构的准确3D表示，其中不同的材料相被区分和标记（即分段），有助于合理选择材料、制造工艺和操作参数。虽然基于电子和中子的成像技术具有特定的优势，并且可以与基于X射线的成像一起使用以提供增强和相关的数据集，但基于X射线的断层扫描分析已成为一种选择技术，可以提供一系列分辨率，尺寸从毫米到几十纳米；并可以进行非破坏性原位或原位调查，以监测内部电极结构随时间的演变。
然而，获得可以准确分割和定量分析的3D重建仍然是一个挑战，主要是由于(i) LIB 电极中存在发散的长度尺度，(ii)关键组件之间的低对比度，以及(iii)低衰减碳基材料。石墨活性颗粒占商业负极的很大一部分，不提供这种对比度，可能会导致分割中的巨大误差。此外，聚合物粘合剂域的识别，在低电导率活性颗粒的情况下还包含导电添加剂，如纳米级炭黑，不仅需要高对比度（由于碳原子序数低），还需要高空间分辨率成像（由于纳米尺寸的孔和结构特征范围从5到150 nm）。具有高分辨率（~10-50 nm 体边缘长度）的技术具有有限的视场（~（10-50 μm）3），因此，只能定量成像具有有限数量活性粒子的小样本体积，这是有问题的，因为分析活性材料分布需要5倍最大粒径，或~100 μm 到5 cm范围内的视野才能具有代表性。此外，高分辨率成像通常需要很长的成像时间，这通常使得通过连续成像许多小样本来获得电极尺度上的统计相关数据变得令人望而却步。
图文解析
图1.电池电极的深度学习分割。这项工作的目标是展示无法使用标准技术轻松分割的复杂体积数据集的无监督、基于深度学习的分割。作者使用X射线断层扫描显微镜(XTM)获得的原始和循环石墨-硅复合电极，旨在将它们分成四个阶段：孔隙空间、石墨颗粒、硅颗粒和炭黑粘合剂域(CBD)以进行统计分析作为电化学循环函数的结构变化。对于分割，作者应用3D U-Net神经网络架构，该架构必须使用学习数据（深蓝色框）进行训练，该架构由体积图像对组成（即，“输入”图像和相应的“输出”图像，它是输入图像的分割版本）。实验（即“真实”）学习数据很难获得，需要多模态成像才能获得分割的输出图像（见浅蓝色框）。计算生成的（即“人工”）学习数据可以添加到真实的学习数据中，以改进网络的训练及其性能。作者通过基于组成材料的体积百分比、大小和形状分布的知识创建基本结构，然后使用真实的分割数据（浅蓝色框）作为图像到图像转换的模板来生成合成结构（蓝色框）算法（此处为CycleGAN）以创建逼真的分段结构（即“输出”图像）。然后根据实验条件（能量、分辨率、噪声）的知识，通过模拟这些合成结构在XTM测量中的外观来生成“输入”图像。
图2.具有挑战性的分割。(a)用XTM成像的石墨-硅复合电极断层图的一部分。比例尺为 5 μm。(b)阈值和(c)基于随机游走的分割都不会产生令人满意的结果。低对比度区域不能准确地分成粒子区域（插图i和ii）。(d)断层图的灰度值直方图和孔隙空间（白色）、石墨颗粒（灰色）、硅颗粒（蓝色）和炭黑粘合剂域（CBD）（橙色）的k均值簇。。
图3.真实的学习数据。在石墨-硅复合电极上进行的(a) Ptychographic X 射线计算机断层扫描(PXCT)和(b) X 射线断层扫描显微镜(XTM)。来自这两种成像方法的数据是(c)组合和(d)分段。如红框所示，真实的训练数据由输入图像（(b)中的XTM图像）和输出图像（(d)中的分割多模态图像）组成。比例尺为10 um。
图4.人工学习数据对分割的好处。显示了原始数据的平面横截面(a)和平面内横截面(b)，以展示使用不同训练数据集实现的分割。当仅在有限的真实学习数据(c, d) 上进行训练时，神经网络可以正确识别硅颗粒，但无法可靠地区分孔隙空间与石墨颗粒。当使用混合学习数据(e, f) 进行训练时，神经网络更擅长从孔隙空间中识别石墨。采用神经网络预测的石墨和硅相，并添加由阈值(g, h) 产生的炭黑粘合剂域(CBD)，改进了CBD的细节。(b, d, f, h) 中的插图突出了分割的改进，特别是对于石墨和CBD域。(b)中的叠加显示了(h)在原始断层扫描图像上的最终分割结果。比例尺为10 um。。
图5.人工学习数据的生成。基于多边形形状生成初始基本结构，如2D (a) 和3D (b) 所示。使用风格转移算法，实现合成结构（c，d）。合成结构(f)的断层扫描模拟，即(e)中所示的横截面，完成了人工学习数据的生成。(a, c) 和(e)的比例尺为5 μm。
图6.深度学习分割。插图强调了对于每个样本，深度学习方法应用于775个子集(a)，这些子集一旦被分割，就会被重新组装。原始样品和循环两次、五次和八次的样品的多相分割(b)能够进行许多不同的微观结构分析。
图7.分割电极的分析。三个原始(pr.)和三个循环样品的孔隙空间(黑色)、石墨颗粒(灰色)、炭黑-粘合剂域(CBD) (黄色)和硅颗粒(蓝色)占据的体积分数(a)两次、五次或八次。红色虚线表示基于电极制造的每个相预期的平均体积分数。在不同循环状态下，石墨颗粒（下）和硅颗粒（上）的表面覆盖率（b）以及孔隙空间（灰色）和CBD（橙色）。阴影区域表示标准偏差。
图8.微观结构随循环的演变。原始电极子体积(a)的重建，显示炭黑粘合剂域(CBD)（金）如何在孔隙中聚集，特别是在硅颗粒周围（蓝色）。图示显示了如何定义围绕石墨(b)和硅相(c)的同心壳。对于原始样品（黑色）和循环两次、五次和八次的样品，在石墨（d）和硅（e）颗粒周围的壳中的CBD含量。阴影代表三个样本的标准偏差。在硅颗粒附近，CBD的位置发生变化，表明电极循环时会发生分离和间隙形成（虚线）。比例尺为2 μm。
总结与展望
由于技术限制或实际限制（例如，时间或系统可用性），即使是最先进的锂离子电池电极体积成像也只能提供次优的图像质量。体积数据集的准确分割很困难，虽然基于深度学习的分割可以提供帮助，但其有效性取决于在许多情况下不易获得的高质量学习数据的可用性。
作者对循环后石墨-硅复合阳极中炭黑粘合剂域的研究表明了合成数据的可行性和价值。事实上，该工作强调了锂离子电池电极如何为合成生成的数据集上的基于深度学习的分割提供一个有趣的用例。连同对成像过程的理解，实况信息可用于创建合成结构和模拟图像数据。通过使用真实和合成的训练数据填充数据库，将能够提高基于深度学习的算法对分割电池电极的适用性。
此外，除了分割之外，无需分割即可进行更高级别分配的工具，例如直接提取某些材料相（例如，炭黑-粘合剂域网络识别），查找具有缺陷结构特性的区域（例如，断裂的颗粒或具有缺陷的区域）。异常高或低的孔隙率），或根据微观结构形态评估健康状况。
这项工作强调，除了在电池中使用机器学习进行材料发现和故障预测之外，利用计算机视觉空间中开发的算法来分析电池内的化学和结构及其时间相关性的潜力巨大。在分析中收集和量化具有明确定义的错误的大型数据集的能力是超越基于试错法的材料和电池设计和评估以及实现更高级别电池模型和仿真验证的关键。