Las pilas de combustible son dispositivos electroquímicos que convierten la energía química de un combustible y un agente oxidante como el oxígeno en energía eléctrica mediante una reacción química. Se consideran una tecnología prometedora y respetuosa con el medio ambiente para generar electricidad, en particular para alimentar vehículos, hogares y aparatos electrónicos portátiles.
Sin embargo, los microdefectos en las superficies de las pilas de combustible pueden tener diversas implicaciones según su tamaño, naturaleza y ubicación. Estos defectos pueden incluir imperfecciones, irregularidades o anomalías en los materiales que componen los componentes de la pila de combustible, como los electrodos, el electrolito y las capas de catalizador. Los microdefectos interrumpen el flujo fluido de iones y electrones dentro de la pila de combustible. Como consecuencia, la resistencia de la celda aumenta y la eficiencia general y la potencia de salida de la celda se reducen.
El método tradicional para detectar estos defectos es mediante Microscopía Electrónica de Barrido (SEM). Se trata de la información sobre la morfología y topografía de la superficie para identificar los defectos. Los investigadores del Instituto Coreano de Investigación de Estándares y Ciencias han desarrollado una tecnología basada en técnicas de aprendizaje profundo que permite mediciones 3D en tiempo real utilizando un método de proyección de patrón de un solo punto.
Su método de deflectómetro de disparo único utiliza un patrón de frecuencia portadora alta. Sin embargo, la visibilidad del patrón de franjas capturado utilizando estos métodos no es factible cuando se proyecta este patrón sobre una superficie metálica con baja calidad de pulido, como el combustible de una batería. Debido a la baja reflectividad, la calidad de la imagen capturada podría ser mejor y la fase no se podrá recuperar correctamente. Muchas superficies con niveles altamente deformados generan patrones de franjas reflejadas complejos que incluyen características de bucle cerrado y de bucle abierto, lo que demuestra un patrón compuesto de baja frecuencia del cual la recuperación de fase es difícil.
Para superar esta limitación, el equipo creó un algoritmo de IA para el método de proyección de patrones inspirado en la técnica de DL en meteorología óptica. Utilizaron DYnet++, entrenado con datos de medición en miles de formas de superficies. Esto permite a DYnet++ realizar mediciones de morfología 3D en tiempo real de superficies con baja reflectividad o formas complejas. Agregaron más capas de convolución al modelo Ynet basado en la arquitectura Unet++ para generar un modelo DYnet++ o Y-net anidado. Básicamente, el concepto que proponen es un bloque codificador y decodificador estándar para ayudar a la red a aprender mejor de los patrones marginales.
Obtener un buen conjunto de datos de entrenamiento es esencial en cada tarea de DL para garantizar el mejor resultado. Los datos de entrenamiento en deflectometría se pueden generar mediante simulación y experimentalmente. Sin embargo, los datos de la simulación sólo reflejarán parcialmente el proceso de obtención de imágenes físicas real. Esto conducirá a un problema con muy buenos resultados con los datos de simulación pero no buenos resultados experimentales. Diseñaron un espejo deformable (DM) para obtener rápidamente datos de entrenamiento experimental. Es un dispositivo óptico especializado que se utiliza en sistemas de óptica adaptativa para corregir distorsiones y aberraciones en la luz entrante.
En conclusión, el punto fuerte y novedoso de su método propuesto es que incluso cuando la superficie tiene baja reflectividad y una topología muy compleja que podría generar patrones marginales de bucle cerrado y abierto juntos, su red DL aún puede medirlos en segundos. El modelo podría predecir los resultados de forma rápida y automática sin intervención humana. Esto es extremadamente útil para acelerar el proceso de fabricación de estas superficies en la industria moderna.
Revisar la Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides unirte. nuestro SubReddit de más de 30.000 ml, Comunidad de Facebook de más de 40.000 personas, Canal de discordia, y Boletín electrónicodonde compartimos las últimas noticias sobre investigaciones de IA, interesantes proyectos de IA y más.
Si te gusta nuestro trabajo, te encantará nuestra newsletter.
Arshad es pasante en MarktechPost. Actualmente cursa su carrera internacional. Maestría en Física del Instituto Indio de Tecnología Kharagpur. Comprender las cosas hasta el nivel fundamental conduce a nuevos descubrimientos que conducen al avance de la tecnología. Le apasiona comprender la naturaleza fundamentalmente con la ayuda de herramientas como modelos matemáticos, modelos de aprendizaje automático e inteligencia artificial.