Wir haben mit Hilfe der digitalen Materialmodelle, die im Rahmen des Projektes erstellt wurden, hunderte von künstlichen Graphit Anoden erstellt und diese als Trainingsdaten für das Neuronale Netz (NN) verwendet.

Eine typische Graphit-Anode enthält verschiedene Materialphasen, die wir Konstituenten nennen: Graphitpartikel und die so genannte Carbon Black & Binder Domain (CBD). Hinzu kommt der Porenraum, der mit Elektrolyt gefüllt ist. Im Rahmen von structur.e wurden CT-Aufnahmen verschiedener Graphit-Anoden gemacht. Auf diesen Aufnahmen wird die Mikrostruktur der Anoden in 3D dargestellt und kann untersucht werden.

µCT 3D-Aufnahme einer Graphit Anode
Abb. 1 µCT 3D-Aufnahme einer Graphit Anode. Die einzelnen Materialphasen (Konstituenten) unterscheiden sich üblicherweise gut anhand ihres Grauwertes. Bei Graphit Anoden weisen die Graphitpartikel und die so genannte Carbon Black & Binder Domäne (CBD) jedoch oft den gleichen Grauwert auf, da die beiden Konstituenten hauptsächlich aus Kohlenstoff bestehen. Der Porenraum (dunkel) unterscheiden sich deutlich von den beiden Festkörperphasen.

Die verschiedenen Konstituenten unterscheiden sich anhand ihres Grauwertes. Dies ist in Abb. 1 dargestellt. Im Falle einer Graphit-Anode ist es jedoch zumeist nicht möglich, Graphitpartikel und CBD voneinander zu trennen, denn beide Konstituenten bestehen zum größten Teil aus Kohlenstoff und weisen daher einen sehr ähnlichen Grauwert auf. Hier kann Künstliche Intelligenz (KI) helfen: Neuronale Netze (NN) können lernen, die beiden Konstituenten z.B. anhand geometrischer Merkmale trotzdem zu unterscheiden.

Künstliches Digitales Modell einer Graphit Anode
Abb. 2 Künstliches Digitales Modell einer Graphit Anode, das statistisch die gleichen geometrischen und physikalischen Eigenschaften aufweist wie das "Original". Graphitpartikel sind grau dargestellt und die CBD rot. Die Tabelle rechts zeigt den Vergleich der geometrischen und physikalischen Eigenschaften des Porenraums.

Wir haben mit Hilfe der digitalen Materialmodelle, die im Rahmen des Projektes erstellt wurden, hunderte von künstlichen Graphit-Anoden erstellt und diese als Trainingsdaten für das NN verwendet. Diese künstlichen Strukturen gleichen den realen Anoden (siehe Abb. 2) in allen wesentlichen Merkmalen. Durch die Trainingsdaten lernt das NN die Graphitpartikel und die CBD zu unterscheiden, denn hier ist die „richtige Lösung“ immer bekannt.

µCT-Aufnahme einer Graphit Anode
Abb. 3 µCT-Aufnahme einer Graphit Anode. Links das Grauwertbild und rechts das mit Hilfe von Künstlicher Intelligenz segmentierte digitale Modell. Alle Konstituenten, die Graphitpartikel (grau), die CBD (rot) sowie der Porenraum sind sichtbar.

Dadurch kann das NN auf den CT-Aufnahmen der realen Anode die Konstituenten ebenfalls unterscheiden (siehe Abb. 3). Nachdem das NN die Partikel und die CBD erfolgreich getrennt hat, können die Math2Market und unsere Projektpartner das Materialmodell der realen Anode verwenden, um die Eigenschaften zu analysieren und zu verbessern. Ziel ist, dass die Batterien von e-Autos der nächsten Generation schneller geladen werden können.

Das trainierte Neuronale Netz (NN) steht unseren Kunden in unserer GeoDict 2023 Software im Modul GrainFind-AI zur Verfügung.