我们开发了一种算法来大幅改善氢燃料电池的图像，并在未来应用于医学扫描。这个项目始于我们来自领先的显微镜制造商Zeiss的一位合作者(RobinT.White博士)在燃料电池的不同分辨率下获得了一些有趣的图像，我们之前曾与RyanArmstrong教授讨论过超分辨率。该项目迅速发展成为一个庞大的团队(来自三大洲的13名研究人员、四个研究机构和两家公司)，拥有从电化学和燃料电池工程到X射线成像、深度学习和流体流动力学等不同领域的专业知识。合适的人在合适的时间出现!
我们开发了一种算法，可以从低分辨率微X射线计算机断层扫描(CT)生成高分辨率建模图像。这个令人兴奋的新工具发表在NatureCommunications的一篇论文中，它在氢燃料电池上进行了评估，以更详细地模拟其结构并可能提高其效率。
氢燃料电池使用氢燃料发电，是一种安静、清洁的能源，可为家庭、车辆和工业提供动力。燃料电池通过电化学过程将氢气转化为电能，反应的唯一副产品是纯水。然而，如果水没有足够快地去除并淹没系统，氢燃料电池就会变得低效。我们的团队开发了一种算法来了解这种溢流是如何在燃料电池内部发生的
我们的解决方案使用深度学习来创建详细的3D模型，方法是利用整个细胞的低分辨率X射线图像并从伴随的小部分高分辨率扫描中推断数据。打个比方，我们拍摄了一个小镇的模糊鸟瞰图，以及几条街道的光学放大照片，然后准确地预测了该地区每条道路的布局!对于本研究中燃料电池的3DCT图像，我们的自定义神经网络旨在在台式计算机上高效生成TB级模型。这特别令人兴奋，因为我们正在使用机器学习和AI将成像分辨率限制提高几个数量级!
与高分辨率图像相比，我们的算法将视野提高了大约一百倍。如果您看看我们现在正在做的事情并将其应用到医学领域，例如，我们可以对血管进行成像并更详细地模拟红细胞通过毛细血管网络的流动。
这些超越硬件的成像和建模方法扩展到燃料电池成像之外，能够实现比以往任何方法都更高分辨率的更大视野成像。目前，大尺度低分辨率图像和小尺度高分辨率图像需要在同一样本和同一机器上拍摄。然而，未来的研究应该很快允许深度学习技术产生可比较的结果，而无需匹配区域甚至仪器。
我们的算法使用超分辨3DX射线图像和每种材料(中心)的机器学习分割以及人工叠加的气体和水流通道(顶部和底部)创建了氢燃料电池的3D模型。学分：昆汀迈耶
快速燃料PEMFC
在训练和测试期间，该算法从低分辨率图像生成高分辨率模型的准确率为97.3%。它还在1小时内生成了高分辨率模型，而使用实际的微型CT扫描仪以该分辨率扫描燃料电池的整个部分所需的时间高达1,188小时。从我们的模型中，我们可以快速准确地识别出积水的位置，并且我们有可能在未来的设计中解决这些问题。
仅通过改进水资源管理，使用这些电池就可以实现巨大的性能提升，据估计整体性能提升60%。在过去的20年里，直到现在，由于材料、气体和液体的传输方式以及发生的电化学反应的复杂性，很难为这些燃料电池建立准确的模型。我们的团队使我们能够做到这一点，带来如此多不同的专业知识。这就是研究的目的。