Hochbeladene Elektroden für Na-Ionen-Batterien

Im Rahmen des Projektes HoNaBat sollen an der Universität Ulm tomographische Bilddaten von Elektroden für Natrium-Ionen-Batterien segmentiert und statistisch analysiert werden.

Für die Segmentierung werden klassische Methoden der Bildverarbeitung als auch Methoden des maschinellen Lernens wie convolutional neural networks verwendet. Dadurch kann die komplexe 3D-Morphologie durch interpretierbare, geometrische Deskriptoren quantifiziert werden. Insbesondere kann auch der Einfluss von Prozessparametern auf die Elektrodengeometrie untersucht werden. Die segmentierten 3D-Bilddaten dienen dann als Grundlage zur Kalibrierung von parametrischen, stochastischen Mikrostrukturmodellen, welche auf Methoden der stochastischen Geometrie basieren. Auch hier werden klassische Ansätze mit Methoden der generativen künstlichen Intelligenz (z. B. generative adversarial networks) kombiniert, um beispielsweise die Modell-Kalibrierung effizienter durchzuführen. Ziel ist es, ein- und denselben Modelltyp für unterschiedlich hergestellte Elektroden zu verwenden, sodass durch Interpolation der Modellparameter quantitative Prozess-Eigenschaftsbeziehungen hergeleitet werden können. Nach der Modellvalidierung wird ein breites Spektrum von virtuellen, aber dennoch realistischen, 3D-Strukturen für Elektroden in Natrium-Ionen-Batterien mittels (stochastischer) Monte-Carlo-Simulation generiert. Diese vielfältige Strukturdatenbank dient dann als Grundlage zur Herleitung von quantitativen Struktur-Eigenschaftsbeziehungen. Insbesondere werden hierfür die an der Universität Ulm generierten Strukturen als Geometrie-Input für ortsaufgelöste numerische Simulationen von elektrochemischen Eigenschaften am DLR-ECE verwendet. Dieser als virtuelles Materialtesten bezeichnete Ansatz ermöglicht es, optimale 3D-Strukturen zu identifizieren, welche mit verbesserten elektrochemischen Eigenschaften einhergehen.

Quelle: Institut für Stochastik, Universität Ulm (19.10.2026)