Die CBD spielt eine wichtige Rolle für die elektrische Leitfähigkeit der Kathode, da das aktive Material im Allgemeinen ein schlechter elektrischer Leiter ist. In Anoden dient das Bindemittel in erster Linie der mechanischen Stabilität der Elektrode, seine Verteilung bestimmt allerdings auch die Transportmöglichkeiten der Elektronen sowie der Li+-Ionen. Bei beiden Elektroden kann eine Verringerung des Bindemittelanteils die Kapazität der Elektrode potenziell steigern.
In den letzten Jahren hat sich die Identifizierung von Binder in 3D-Scans sowie die digitale Trennung des Binders vom aktiven Material enorm weiterentwickelt. Seit 2019 ermöglicht das Modul FiberFind-AI die intelligente Trennung von Binder und Fasern in faserigen Materialien. Diese werden z.B. für Gasdiffusionsschichten in Brennstoffzellen oder für Filtermedien in Filtern verwendet. Zwei Jahre später kam mit GrainFind-AI die Möglichkeit hinzu, Bindemittel in Strukturen aus unterschiedlich geformten Körnern zu identifizieren. Dies wurde zunächst für Bindemittel implementiert, die hauptsächlich kugelförmige Partikel umgeben. Ein Beispiel für diese kugelförmigen Partikelstrukturen ist NMC in Kathoden von Li+-Batterien.
Mit der neuesten Version von GrainFind-AI in GeoDict 2023 haben wir nun ein trainiertes Neuronales Netz (NN) hinzugefügt, das in der Lage ist, Bindemittel um flockenartige Partikel zuverlässig zu identifizieren. Dies ist häufig in Graphit-Anodenstrukturen von Li+-Ionen-Batterien der Fall. Das GrainFind-AI-Modul von GeoDict wird nun mit zwei verschiedenen NNs ausgeliefert, die für die Identifizierung von Binder trainiert wurden - eines davon ist speziell für die Identifizierung von Binder in Anoden geeignet, während das andere explizit für die Identifizierung von CBD in Kathoden trainiert wurde. Mit diesen beiden NNs lassen sich eine Vielzahl wissenschaftlicher Fragestellungen und Aufgaben bearbeiten und lösen.
