“虽然我不会说目前监测电池的方法不管用，但它们没有为我们提供足够的信息。”
为了更好地了解电池的结构，研究人员已经能够使用两种互补的断层扫描方法的组合来观察充电和放电时的电极表面。
数据由hzbberii和Institut Laue－Langevin （ILL）提供，然后在格勒诺布尔的欧洲同步辐射设施（ESRF）使用x射线断层摄影术。在那里，数据被用来分析电极的微结构和检测任何变形和不连续性。
Tengattini解释：“在这一结构层面上的研究很少，所以通过中子断层扫描可以直接观察锂离子的迁移情况，从而确定电解质在电池中的分布是如何随时间变化的。”
“这种电子展开技术使我们能够分析电池内部，当它们被使用时，识别出几乎微米的微小波动。”
NeXT－Grenoble实验室的仪器可以同时获取x射线和中子层析成像，这是Laue－Langevin研究所和Grenoble－Alpes大学合作开发的。
Tengattini：“很难用x射线来分析锂，因为它是一种重量轻的元素，但是结合Laue－Langevin研究所（ILL）提供的高通量中子，我们现在已经开始更多地了解在锂离子电池使用过程中起作用的电化学和机械性能。”
当谈到锂离子电池时，其紧凑的设计通常是通过将电池电极的薄夹层缠绕成圆柱形来实现的——这是因为电极需要一个大的表面来促进高容量和快速充电。
这种数学方法使物理学家们几乎可以展开电池的电极——因为电池的圆柱形绕组很难定量检测。
只有通过数学分析和虚拟展开，才能得出关于绕组各个部分的过程的结论。算法最初是为展开纸莎草卷轴而设计的，但可以用来找出紧凑密集的缠绕电池到底发生了什么——因此缠绕电池的特征问题现在可以研究了。
根据Tengattini的说法，这项研究得出了一些有趣的发现。
“我们发现内部绕组的电化学活性与外部绕组完全不同。此外，电池的上部和下部表现得非常不同。
“中子数据还显示了一些缺乏电解质的区域，这可能会严重限制各自电极部分的功能。”它也可以表明，阳极并不是同样良好的负载和卸载与锂无处不在。”
Tengattini的研究不仅在电池内部出现了加速和耗尽速度更快的小块区域，而且电池的部分区域也完全关闭了。
“到目前为止，我们只对一小部分电池进行了这项研究。虽然我们已经观察到一些模式，但更详细的研究可能会提出更多电池失效的原因。我们仍然需要更好地理解一些元素。“
“尽管如此，这项研究将帮助我们制定具体的策略，以改善绕线电池的设计。”
Tengattini总结道：“就像所有有限的资源一样，我们可以预期‘电力革命’将导致锂离子电池对更少资源的更大需求。因此，为了满足这一需求，我们需要更好地了解这些电池的核心是什么，虽然我们开发的技术可能会导致对未来电池设计方式的修正，但现在下结论还为时过早。尽管如此，这是向前迈出的重要一步。”
x射线断层扫描显示了电接触区域的断裂
机器学习技术
当这组科学家一直在研究电池的物理结构时，来自剑桥和纽卡斯尔大学的科学家们设计了一种机器学习方法，他们声称这种方法可以预测电池的健康状况。
据参与研究的科学家称，该方法的准确度是目前行业标准的10倍。
这项技术的工作原理是向电池中发送电脉冲并测量其响应。然后通过机器学习算法对它们进行测量和处理，以预测电池的健康状况和寿命。这是一种非侵入性技术，是任何现有电池系统的简单附加组件。
来自剑桥卡文迪什实验室的阿尔法·李博士解释：“安全性和可靠性是最重要的设计标准，因为我们开发的电池可以在一个小空间里储存大量的能量，他是这项研究的负责人之一。“通过改进监测充放电的软件，并使用数据驱动软件来控制充电过程，我相信我们可以在电池性能上有很大的改善。”
研究人员已经进行了超过20，000次的实验测量来训练模型，这是同类数据中最大的。重要的是，该模型学会了如何从无关的噪声中区分重要的信号。
研究人员已经能够证明，机器学习模型可以被解释为关于电池退化物理机制的线索。这个模型可以告诉我们哪些电信号是最多的
与老化相关，这反过来又使他们能够设计特定的实验来探究电池退化的原因和方式。
研究人员现在使用他们的机器学习平台来了解不同电池化学物质的降解情况。他们还在开发最优的电池充电协议，通过机器学习供电，以实现快速充电和最小化退化。
随着新技术的出现和对更优质电池技术的需求，我们预测锂离子电池的健康状况和剩余使用寿命至关重要。
据参与这些不同项目的科学家解释，这项工作将有助于开发更安全、更可靠的电池，用于各种新设备——从电动汽车到各种消费电子产品。
也许“电力革命”真的有可能会把我们带向一个新时代……
