Прогнозирование срока службы батареи с помощью машинного обучения

/в /от

9 мая, 2022

Представьте себе экстрасенса, говорящего вашим родителям в день вашего рождения, как долго вы проживете. Аналогичный опыт возможен и у химиков, занимающихся аккумуляторами, которые используют новые вычислительные модели для расчета срока службы аккумуляторов на основе всего лишь одного цикла экспериментальных данных.

В новом исследовании исследователи из Министерства энергетики США (Министерство энергетики) Аргоннская национальная лаборатория обратилась к силе машинного обучения, чтобы предсказать срок службы широкого спектра батарей с различным химическим составом. Используя экспериментальные данные, собранные в Аргонне из набора из 300 батарей, представляющих шесть различных химических элементов, ученые могут точно определить, как долго будут продолжать работать разные батареи.

В алгоритме машинного обучения ученые обучают компьютерную программу делать выводы на основе начального набора данных, а затем использовать то, что она узнала в результате этого обучения, для принятия решений на другом наборе данных.

 “Для каждого вида применения аккумуляторов, от сотовых телефонов до электромобилей и сетевых накопителей, срок службы аккумулятора имеет фундаментальное значение для каждого потребителя», — сказал автор исследования Ноа Полсон, специалист по вычислительной технике из Аргонны.​“Необходимость перезаряжать батарею тысячи раз, пока она не выйдет из строя, может занять годы; наш метод создает своего рода вычислительную тестовую кухню, где мы можем быстро
установить, как будут работать разные батареи».
“Прямо сейчас единственный способ оценить, как снижается емкость батареи, — это фактически включить ее в цикл», — добавила электрохимик из Аргонны Сьюзен.“Сью» Бабинец, еще один автор исследования.​“Это очень дорого и занимает много времени».
По словам Полсона, процесс определения срока службы батареи может быть сложным.​“Реальность такова, что батареи не вечны, и то, как долго они прослужат, зависит от того, как мы их используем, а также от их конструкции и химического состава», — сказал он.​“До сих пор действительно не было хорошего способа узнать, как долго будет работать батарея. Люди захотят узнать, сколько времени у них осталось до того, как им придется тратить деньги на новую батарею».

Одним из уникальных аспектов исследования является то, что оно основывалось на обширной экспериментальной работе, проведенной в Аргонне с различными материалами для катодов батарей, особенно с запатентованным в Аргонне никель-марганцево-кобальтовым сплавом.НМЦ) на основе катода.​“У нас были батареи с разным химическим составом, которые по-разному разлагались и выходили из строя», — сказал Полсон.​“Ценность этого исследования в том, что оно дало нам сигналы, характерные для работы разных аккумуляторов».

По словам Полсона, дальнейшие исследования в этой области могут определить будущее литий-ионных аккумуляторов.​“Одна из вещей, которую мы можем сделать, — это обучить алгоритм известному химическому составу и заставить его делать прогнозы по неизвестному химическому составу», — сказал он.​“По сути, алгоритм может помочь нам найти новые и улучшенные химические вещества, обеспечивающие более длительный срок службы».
Таким образом, Полсон считает, что алгоритм машинного обучения может ускорить разработку и тестирование аккумуляторных материалов.​“Скажем, у вас есть новый материал, и вы повторяете его несколько раз. Вы можете использовать наш алгоритм, чтобы предсказать его долговечность, а затем принять решение о том, хотите ли вы продолжать использовать его экспериментально или нет».

“Если вы исследователь в лаборатории, вы можете обнаружить и протестировать гораздо больше материалов за более короткое время, потому что у вас есть более быстрый способ их оценки», — добавил Бабинец.

Документ, основанный на исследовании, ​“Разработка функций для машинного обучения позволила заранее прогнозировать срок службы батареи», — появилось в онлайн-издании Journal of Power Sources от 25 февраля.

Помимо Полсона и Бабинека, другими авторами статьи являются Джозеф Кубал из Аргонны, Логан Уорд, Саураб Саксена и Венкуан Лу.

Исследование финансировалось Аргоннской лабораторией исследований и разработок (ЛДРД) грант.

Аргоннская национальная лаборатория ищет решения насущных национальных проблем в области науки и техники. Первая в стране национальная лаборатория, Аргонн, проводит передовые фундаментальные и прикладные научные исследования практически во всех научных дисциплинах. Исследователи Аргонны тесно сотрудничают с исследователями из сотен компаний, университетов, а также федеральных, государственных и муниципальных учреждений, чтобы помочь им решить их конкретные проблемы, укрепить научное лидерство Америки и подготовить нацию к лучшему будущему. Компания Argonne, в которой работают сотрудники из более чем 60 стран, управляется Университет Чикаго, Аргонн, ООО для Управление науки Министерства энергетики США.

Управление науки Министерства энергетики США является крупнейшим сторонником фундаментальных исследований в области физических наук в Соединенных Штатах и ​​​​работает над решением некоторых из самых насущных проблем нашего времени. Для получения дополнительной информации посетите https://​energy​.gov/​s​ience.

 La source:Прогнозирование срока службы батареи с помощью машинного обучения – Gamingdeputy Russia