Wyobraź sobie jasnowidza, który w dniu twoich urodzin mówi twoim rodzicom, jak długo będziesz żył.Podobne doświadczenie jest możliwe w przypadku chemików zajmujących się akumulatorami, którzy korzystają z nowych modeli obliczeniowych do obliczania żywotności akumulatorów na podstawie zaledwie jednego cyklu danych eksperymentalnych.

W nowym badaniu naukowcy z Narodowego Laboratorium Argonne Departamentu Energii Stanów Zjednoczonych (DOE) wykorzystali możliwości uczenia maszynowego do przewidywania żywotności szerokiego zakresu różnych składów chemicznych akumulatorów.Wykorzystując dane eksperymentalne zebrane w Argonne z zestawu 300 akumulatorów reprezentujących sześć różnych składów chemicznych akumulatorów, naukowcy mogą dokładnie określić, jak długo różne akumulatory będą nadal działać.

Badacze z firmy Argonne wykorzystali modele uczenia maszynowego do prognozowania żywotności baterii dla szerokiego zakresu różnych składów chemicznych.(Zdjęcie: Shutterstock/Sealstep.)

W algorytmie uczenia maszynowego naukowcy szkolą program komputerowy, aby wyciągał wnioski na podstawie początkowego zestawu danych, a następnie wykorzystują to, czego nauczył się podczas tego szkolenia, do podejmowania decyzji na temat innego zestawu danych.

„W przypadku każdego rodzaju zastosowania baterii, od telefonów komórkowych, przez pojazdy elektryczne, aż po magazynowanie w sieci, żywotność baterii ma fundamentalne znaczenie dla każdego konsumenta” – powiedział Noah Paulson, specjalista zajmujący się obliczeniami w firmie Argonne, autor badania.„Konieczność cyklowania baterii tysiące razy, aż ulegnie awarii, może zająć lata;nasza metoda tworzy rodzaj obliczeniowej kuchni testowej, w której możemy szybko ustalić, jak będą działać różne akumulatory”.

„W tej chwili jedynym sposobem oceny spadku pojemności akumulatora jest jego cykl i cykl” – dodała elektrochemik firmy Argonne, Susan „Sue” Babinec, kolejna autorka badania.„To bardzo kosztowne i zajmuje dużo czasu”.

Według Paulsona proces ustalania żywotności baterii może być trudny.„Rzeczywistość jest taka, że ​​baterie nie są wieczne, a ich trwałość zależy od sposobu, w jaki ich używamy, a także od ich konstrukcji i składu chemicznego” – powiedział.„Do tej pory nie było dobrego sposobu na sprawdzenie, jak długo wytrzyma bateria.Ludzie będą chcieli wiedzieć, ile czasu im pozostało, zanim będą musieli wydać pieniądze na nową baterię”.

Wyjątkowym aspektem badania jest to, że opierało się ono na szeroko zakrojonych pracach eksperymentalnych przeprowadzonych w Argonne na różnych materiałach katod akumulatorowych, zwłaszcza na opatentowanej przez firmę Argonne katodzie na bazie niklu, manganu i kobaltu (NMC).„Mieliśmy akumulatory o różnym składzie chemicznym, które w różny sposób ulegały degradacji i awariom” – powiedział Paulson.„Wartość tego badania polega na tym, że dostarczyło nam sygnałów charakterystycznych dla działania różnych akumulatorów”.

Dalsze badania w tej dziedzinie mogą potencjalnie wyznaczyć przyszłość akumulatorów litowo-jonowych, powiedział Paulson.„Jedną z rzeczy, które jesteśmy w stanie zrobić, jest nauczenie algorytmu na podstawie znanej substancji chemicznej i umożliwienie mu prognozowania nieznanej substancji chemicznej” – powiedział.„Zasadniczo algorytm może pomóc nam wskazać nowe i ulepszone chemikalia, które zapewniają dłuższą żywotność”.

Paulson wierzy, że w ten sposób algorytm uczenia maszynowego mógłby przyspieszyć rozwój i testowanie materiałów akumulatorowych.„Załóżmy, że masz nowy materiał i powtarzasz go kilka razy.Możesz użyć naszego algorytmu, aby przewidzieć jego trwałość, a następnie podjąć decyzję, czy chcesz kontynuować jego eksperymentalne cykle, czy nie.

„Jeśli jesteś badaczem w laboratorium, możesz odkryć i przetestować znacznie więcej materiałów w krótszym czasie, ponieważ masz szybszy sposób na ich ocenę” – dodał Babinec.

Artykuł oparty na badaniu pt. „Inżynieria funkcji na potrzeby uczenia maszynowego umożliwiła wczesne przewidywanie żywotności baterii”, ukazało się 25 lutego w internetowym wydaniu Journal of Power Sources.

Oprócz Paulsona i Babineca do innych autorów artykułu należą Joseph Kubal z Argonne, Logan Ward, Saurabh Saxena i Wenquan Lu.

Badanie zostało sfinansowane z grantu Argonne Laboratory-Directed Research and Development (LDRD).