English / Japanese
燃料製造・処理やエネルギー変換技術における多孔体構造の役割
Fig. 1. Porous materials for producing synthetic fuels and hydrogen economy.
合成燃料製造や水素社会への展開において,エネルギー変換デバイスの電極や反応器の多孔体構造は化学反応,吸着および分離などのプロセスにおいて重要な役割を果たす.
特に,電解装置,燃料電池,燃料改質器およびエネルギー貯蔵システムなどにおいてはコンポジット材料やナノ粒子などを用いた複雑な多孔体材料が開発されている(図1).
Fig. 2. Reconstructed 3D microstructures of porous materials.
構造の観察には,コンピュータ断層撮影(CT)や収束イオンビーム-走査型電子顕微鏡(FIB-SEM)などを用いる(図2).さらに,デバイスの性能と微細構造特性との相関性を理解し,材料の組成・微細構造の最適化,製造手法,高度な熱伝達設計および計測とシミュレーションを通じた包括的な性能評価が必要となってくる.
機械学習を用いた多孔体構造と構造・性能変化の予測
Fig. 3. Examples of machine learning algorithms for porous materials application:
A) fabrication 3D model from 2D microscope image,
B) artificial microstructure generation,
C) parameters prediction from cross-sectional image and
D) degradation prediction.
機械学習による評価・予測は,複雑な物理現象の理解促進に貢献できる.エネルギー変換デバイスの微細構造と性能およびその劣化挙動との関係を把握する必要があるが,その構造の複雑さゆえに構造の評価と構造と性能の結び付けには多くの制約があり非常に困難である.これら問題に対処するために,畳み込みニューラルネットワーク(CNN)など機械学習技術を活用し,FIB-SEMやCTスキャンから取得した3次元構造データの相判別の簡易化や解像度の向上を図り,これまで課題が多かった評価手法が改善された.
また,敵対的生成ネットワーク(GAN)を使用して,2次元断面画像から直接3次元モデルの再構築(図3A)や,条件付きGANおよびDiffusion Modelによる人工的な構造モデルの作成手法(図3B)も開発した.CNNを活用することで,2次元画像から直接複雑な微細構造特性を予測することが可能である(図3C).
機械学習による評価・予測手法においては,大量の教師データを必要とするが,実験上の制約などにより必ずしも十分な教師データを獲得することはできない.たとえば,材料劣化の予測においては,長期にわたるデータ取得も難しくコストも高い.これら課題解決のために,条件付きUnsupervised Image-to-Image Translation(UNIT)ネットワーク(図3D)や長期・短期記憶ネットワーク(LSTM)を導入し,劣化現象を再現している.さらに,数値シミュレーションでは予測・説明が難しい現象に対しては,Physics-Informed Neural Networkを用いることで予測・評価技術の洗練化を目指している.