Estudio del uso de técnicas de Machine Learning y Deep Learning para la recomendación de circuitos eléctricos equivalentes para espectros de impedancias electroquímicas

Abstract

[ES] La espectroscopía de impedancias electroquímicas, EIS por sus siglas en inglés, es una técnica de caracterización electroquímica basada en la aplicación de un potencial (o corriente) senoidal y, la medida de la señal de corriente (o potencial) generada por el sistema. Esta técnica es ubicua en el campo de la electroquímica. Algunos ejemplos de sus aplicaciones son: caracterización cinética de reacciones electroquímicas, caracterización de electrodos, pilas de combustible, baterías de ion-lito, procesos de corrosión, etc. Este amplio abanico de aplicaciones se debe a su rapidez, sensibilidad y bajo coste, que le han permitido ser una técnica omnipresente en la caracterización de sistemas electroquímicos. El análisis de datos EIS se realiza principalmente mediante dos tipos de métodos. El primero, consiste en el desarrollo de modelos físicos basados en las ecuaciones fundamentales que describen el sistema. El segundo, consiste en el ajuste datos EIS a circuitos eléctricos equivalentes, lo que no permite la obtención de las constantes del sistema. La elección del circuito eléctrico equivalente es una etapa crítica en esta metodología, y se suele hacer en base a los patrones observados en los espectros EIS. Además, varios circuitos eléctricos equivalentes son capaces de generar el mismo espectro. Por este motivo, se ha propuesto el proyecto del genoma electroquímico. El proyecto del genoma electroquímico fue propuesto por Didby D. Macdonald y, tiene como objetivo la generación de una extensa base de datos, que guardaría información sobre la mayor cantidad y variedad de espectros electroquímicos posibles. Esta base de datos unida a una inteligencia artificial capaz de reconocer patrones e identificar el circuito eléctrico equivalente, supondría un gran avance en términos de tiempo y sistematicidad al identificar circuitos eléctricos equivalentes. El objetivo de este Trabajo Final de Máster es aplicar diferentes algoritmos de Machine Learning y Deep Learning a la recomendación de circuitos eléctricos equivalentes para espectros EIS. Para acometer el objetivo del Trabajo Final de Máster, se comenzará con una base de datos abierta que contiene espectros EIS etiquetados (i.e. espectros EIS asociados con el circuito eléctrico equivalente correspondiente). En una primera etapa, se realizará la depuración de la base de datos y se ampliará la base de datos mediante una revisión bibliográfica. En una segunda etapa, se entrenarán diferentes algoritmos de Machine Learning y Deep Learning con la base de datos anterior. Durante dicho proceso, se optimizarán los valores de los hiperparámetros de los diferentes algoritmos. Finalmente, se comparará el desempeño de los diferentes algoritmos optimizados y entrenados, en la tarea de recomendación de circuitos equivalentes a partir de espectros EIS.

[EN] Electrochemical Impedance Spectroscopy (EIS) is an electrochemical technique based on the application of a sinusoidal potential (or current) and, the measurement of the current (or potential) generated by the system. This technique is applied in the whole field of electrochemistry. Examples of their applications are: corrosion, fuel cells, batteries, sensors, etc.

The analysis of EIS data is carried out by 2 methodologies. The first one consists in developing physical models based on the fundamental equations that describe the system. The second one consists in fitting EIS data to an equivalent circuit. The choice of the equivalent circuit is a critical stage in this methodology and, is generally carried out observing key patterns in EIS spectra.

The electrochemical genome project, proposed by Didby D. Macdonal, aims to generate a vast database containing all available electrochemical spectra. This database, working with an Artificial Intelligence (AI) able to recognize patterns and suggest equivalent circuits, would improve EIS spectrum analysis time and systematicity.

The goal of this Master's Thesis is to apply different Machine Learning and Deep Learning algorithms to build recommendation algorithms for suggesting equivalent circuits for EIS spectra.

In order to fullfill this goal: First, a database with labeled EIS spectrums (i.e. EIS spectrums associated with equivalent circuits) was obtained. Second, the database was depurated and expanded with bibliography data. Third, different algorithms were trained and, their hyperparameters were optimized. Finally, the performance of trained and optimized algorithms performance was compared.