Vorhersage der Batterielebensdauer mit maschinellem Lernen

9 May 2022

Die Technik könnte die Kosten der Batterieentwicklung senken.

Artikel mit freundlicher Genehmigung von Argonne National Laboratory. Von Jared Sagoff

Stellen Sie sich ein Medium vor, das Ihren Eltern an dem Tag, an dem Sie geboren wurden, mitteilt, wie lange Sie leben würden. Eine ähnliche Erfahrung ist für Batteriechemiker möglich, die neue Rechenmodelle verwenden, um die Batterielebensdauer auf der Grundlage von nur einem einzigen Zyklus von experimentellen Daten zu berechnen.

In einer neuen Studie haben Forscher des US-Energieministeriums (DAMHIRSCHKUH) Argonne National Laboratory haben sich der Leistungsfähigkeit des maschinellen Lernens zugewandt, um die Lebensdauer einer Vielzahl unterschiedlicher Batteriechemien vorherzusagen. Durch die Verwendung experimenteller Daten, die in Argonne von einem Satz von 300 Batterien gesammelt wurden, die sechs verschiedene Batteriechemien repräsentieren, können die Wissenschaftler genau bestimmen, wie lange verschiedene Batterien noch Zyklen durchlaufen werden.

In einem maschinellen Lernalgorithmus trainieren Wissenschaftler ein Computerprogramm, um Rückschlüsse auf einen anfänglichen Datensatz zu ziehen, und nehmen dann das, was es aus diesem Training gelernt hat, um Entscheidungen über einen anderen Datensatz zu treffen.

„Für jede Art von Batterieanwendung, von Mobiltelefonen über Elektrofahrzeuge bis hin zu Netzspeichern, ist die Batterielebensdauer für jeden Verbraucher von grundlegender Bedeutung“, sagte der Argonne-Computerwissenschaftler Noah Paulson, ein Autor der Studie.​„Eine Batterie tausende Male durchlaufen zu müssen, bis sie ausfällt, kann Jahre dauern; Unsere Methode schafft eine Art Computer-Testküche, in der wir schnell feststellen können, wie sich verschiedene Batterien verhalten werden.“

„Im Moment besteht die einzige Möglichkeit, zu beurteilen, wie die Kapazität in einer Batterie nachlässt, darin, die Batterie tatsächlich zu zyklieren“, fügte die Argonne-Elektrochemikerin Susan hinzu„Sue“ Babinec, eine weitere Autorin der Studie.​„Es ist sehr teuer und es dauert lange.“

Laut Paulson kann die Bestimmung der Batterielebensdauer schwierig sein.​„Die Realität ist, dass Batterien nicht ewig halten, und wie lange sie halten, hängt davon ab, wie wir sie verwenden, sowie von ihrem Design und ihrer Chemie“, sagte er.​„Bis jetzt gab es wirklich keine gute Möglichkeit zu wissen, wie lange eine Batterie halten wird. Die Leute werden wissen wollen, wie lange es dauert, bis sie Geld für eine neue Batterie ausgeben müssen.“

Ein einzigartiger Aspekt der Studie ist, dass sie sich auf umfangreiche experimentelle Arbeiten stützte, die bei Argonne an einer Vielzahl von Batteriekathodenmaterialien durchgeführt wurden, insbesondere Argonnes patentiertes Nickel-Mangan-Kobalt (NMC)-basierte Kathode.​„Wir hatten Batterien, die unterschiedliche Chemien repräsentierten, die unterschiedliche Arten von Abbau und Ausfall hatten“, sagte Paulson.​„Der Wert dieser Studie besteht darin, dass sie uns Signale lieferte, die für die Leistung verschiedener Batterien charakteristisch sind.“

Weitere Studien in diesem Bereich haben das Potenzial, die Zukunft von Lithium-Ionen-Batterien zu lenken, sagte Paulson.​„Eines der Dinge, die wir tun können, ist, den Algorithmus auf eine bekannte Chemie zu trainieren und ihn Vorhersagen über eine unbekannte Chemie machen zu lassen“, sagte er.​„Im Wesentlichen kann der Algorithmus dabei helfen, uns die Richtung zu neuen und verbesserten Chemien zu weisen, die eine längere Lebensdauer bieten.“

Paulson glaubt, dass der maschinelle Lernalgorithmus auf diese Weise die Entwicklung und Prüfung von Batteriematerialien beschleunigen könnte.​„Angenommen, Sie haben ein neues Material und Sie radeln es ein paar Mal. Sie könnten unseren Algorithmus verwenden, um seine Langlebigkeit vorherzusagen, und dann entscheiden, ob Sie es experimentell weiterfahren möchten oder nicht.“

„Als Forscher in einem Labor können Sie viel mehr Materialien in kürzerer Zeit entdecken und testen, weil Sie sie schneller auswerten können“, fügte Babinec hinzu.

Ein auf der Studie basierendes Papier,„Feature Engineering für maschinelles Lernen ermöglichte eine frühzeitige Vorhersage der Batterielebensdauer“, erschien in der Online-Ausgabe des Journal of Power Sources vom 25. Februar.

Neben Paulson und Babinec gehören zu den weiteren Autoren der Abhandlung Joseph Kubal von Argonne, Logan Ward, Saurabh Saxena und Wenquan Lu.

Die Studie wurde von einem Argonne Laboratory-Directed Research and Development (LDRD) gewähren.

Argonne National Laboratory sucht nach Lösungen für drängende nationale Probleme in Wissenschaft und Technologie. Argonne, das erste nationale Labor der Nation, führt bahnbrechende Grundlagen- und angewandte wissenschaftliche Forschung in praktisch allen wissenschaftlichen Disziplinen durch. Argonne-Forscher arbeiten eng mit Forschern aus Hunderten von Unternehmen, Universitäten und Bundes-, Landes- und Kommunalbehörden zusammen, um ihnen bei der Lösung ihrer spezifischen Probleme zu helfen, die wissenschaftliche Führung Amerikas voranzubringen und die Nation auf eine bessere Zukunft vorzubereiten. Mit Mitarbeitern aus mehr als 60 Nationen wird Argonne von geführt Chicago Argonne, GMBH für die Office of Science des US-Energieministeriums.

Das Office of Science des US-Energieministeriums ist der größte Einzelförderer der Grundlagenforschung in den Naturwissenschaften in den Vereinigten Staaten und arbeitet daran, einige der dringendsten Herausforderungen unserer Zeit anzugehen. Für weitere Informationen besuchen Sie https://​ener​gy​.gov/​s​c​ience.

Quelle:2022 – Vorhersage der Batterielebensdauer mit maschinellem Lernen – Gettotext.com