深度学习驱动的电池负极材料中粒子几何-锂化相关性的大规模分析
材料科学
2025-07-25 v1
摘要
采用深度学习模型来解决 V2O5 纳米粒子分割以及锂化 V2O5 纳米粒子化学组成与几何特征之间的相关性问题，这以一种相变电池负极材料为例。首先，将深度学习驱动的分割模型与奇异值分解技术集成并结合光谱数据库，生成准确的组成和相位图，捕捉锂化异质性，这些图像是使用扫描透射 X 射线显微镜获取的。这些相位图作为相关分析的输出属性。随后，揭示了粒子尺寸（即投影周长和面积）、长宽比、圆形度、凸包度和方向等几何特征对锂化相位图的定量影响。这些发现为通过优化粒子几何改善锂化均匀性并减少相变材料中的应力提供了策略。
引用
@article{arxiv.2507.18530,
title = {Deep learning-enabled large-scale analysis of particle geometry-lithiation correlations in battery cathode materials},
author = {Binbin Lin and Luis J. Carrillo and Xiang-Long Peng and Wan-Xin Chen and David A. Santosb and Sarbajit Banerjeeb and Bai-Xiang Xu},
journal= {arXiv preprint arXiv:2507.18530},
year = {2025}
}