摘要

本文介绍了一种基于空间随机性和生成对抗网络（GAN）的多尺度模型，用于生成具有径向晶粒结构的NMC（镍锰钴）颗粒。该研究由乌尔姆大学和可再生能源国家实验室合作进行，旨在通过2D数据生成代表性的3D信息，从而实现对材料的三维特性进行成本效益高的表征。该模型能够快速生成与实验数据统计相似的虚拟阴极颗粒，适用于通过数值模拟进行材料测试和特性分析。此外，研究团队还公开了包含内部晶粒结构的模拟颗粒的大型数据集。

原理

该模型通过结合空间随机性和生成对抗网络（GAN）来生成多尺度的NMC颗粒。具体来说，模型分为两个主要部分：外壳模型和内部晶粒结构模型。外壳模型利用纳米CT数据，通过随机场在单位球上的应用来生成颗粒的外壳结构。内部晶粒结构模型则通过随机分割和神经网络生成参数，结合GAN框架进行训练，从而生成与实验数据相符的3D晶粒结构。这种结合了随机性和神经网络的方法使得模型能够从有限的2D数据中推断出复杂的3D结构。

流程

1. 利用纳米CT数据预处理和分割，生成颗粒的外壳模型。
2. 通过电子背散射衍射（EBSD）数据生成2D晶粒结构。
3. 使用GAN框架训练神经网络，生成与实验数据相符的3D晶粒结构。
4. 将生成的外壳模型和内部晶粒结构模型结合，生成完整的虚拟NMC颗粒。
5. 通过对比模拟颗粒和实验数据的结构描述符，验证模型的准确性和有效性。

应用

该模型不仅能够用于锂离子电池阴极材料的特性分析和材料测试，还可以扩展到其他电极化学品的开发中。通过模拟不同化学成分和结构的颗粒，该模型有助于加速新型电极材料的设计和优化，特别是在需要考虑复杂三维结构对电池性能影响的应用中。