Представете си, че екстрасенс казва на родителите ви колко дълго ще живеете в деня на вашето раждане.Подобен опит е възможен за химиците на батерии, които използват нови изчислителни модели за изчисляване на живота на батериите въз основа на само един цикъл от експериментални данни.

В ново проучване изследователи от Националната лаборатория в Аргон на Министерството на енергетиката на САЩ (DOE) се обърнаха към силата на машинното обучение, за да предскажат живота на широка гама от различни химикали на батериите.Чрез използване на експериментални данни, събрани в Argonne от набор от 300 батерии, представляващи шест различни химикали на батериите, учените могат точно да определят колко дълго различните батерии ще продължат да работят.

Изследователите на Argonne са използвали модели на машинно обучение, за да направят прогнози за живота на батерията за широк спектър от различни химикали.(Изображение от Shutterstock/Sealstep.)

В алгоритъм за машинно обучение учените обучават компютърна програма да прави изводи върху първоначален набор от данни и след това да вземат наученото от това обучение, за да вземат решения за друг набор от данни.

„За всеки различен вид приложение на батерии, от мобилни телефони до електрически превозни средства до мрежово съхранение, животът на батерията е от фундаментално значение за всеки потребител“, каза изчислителният учен от Argonne Ноа Полсън, автор на изследването.​„Налага се да зареждате батерия хиляди пъти, докато се повреди, може да отнеме години;нашият метод създава един вид изчислителна тестова кухня, където можем бързо да установим как ще се представят различните батерии.

„В момента единственият начин да се оцени как капацитетът на батерията избледнява е действително да се зареди батерията“, добави електрохимикът от Аргон Сюзън „Сю“ Бабинец, друг автор на изследването.„Много е скъпо и отнема много време.“

Според Полсън процесът на установяване на живота на батерията може да бъде труден.„Реалността е, че батериите не издържат вечно и колко дълго издържат зависи от начина, по който ги използваме, както и от техния дизайн и тяхната химия“, каза той.„Досега наистина не е имало страхотен начин да разберем колко време ще издържи една батерия.Хората ще искат да знаят колко време имат, докато не трябва да харчат пари за нова батерия.

Един уникален аспект на изследването е, че то разчита на обширна експериментална работа, извършена в Argonne върху различни катодни материали на батерии, особено патентования катод на базата на никел-манган-кобалт (NMC) на Argonne.„Имахме батерии, които представляват различни химикали, които имат различни начини, по които биха се разградили и повредили“, каза Полсън.„Стойността на това проучване е, че ни даде сигнали, които са характерни за това как работят различните батерии.“

По-нататъшното проучване в тази област има потенциала да насочи бъдещето на литиево-йонните батерии, каза Полсън.„Едно от нещата, които можем да направим, е да обучим алгоритъма на известна химия и да го накараме да прави прогнози на неизвестна химия“, каза той.„По същество алгоритъмът може да ни помогне да ни насочи към нови и подобрени химикали, които предлагат по-дълъг живот.“

По този начин Полсън вярва, че алгоритъмът за машинно обучение може да ускори разработването и тестването на материалите за батерии.​„Да кажем, че имате нов материал и го въртите няколко пъти.Бихте могли да използвате нашия алгоритъм, за да предвидите неговата дълготрайност и след това да вземете решения дали искате да продължите да го циклите експериментално или не.

„Ако сте изследовател в лаборатория, можете да откриете и тествате много повече материали за по-кратко време, защото имате по-бърз начин да ги оцените“, добави Бабинец.

Документ, базиран на проучването, ​“Инженерингът на функции за машинно обучение позволи ранно прогнозиране на живота на батерията”, се появи в онлайн изданието на Journal of Power Sources от 25 февруари.

В допълнение към Полсън и Бабинец, други автори на статията включват Джоузеф Кубал от Аргон, Логан Уорд, Саураб Саксена и Венкуан Лу.

Проучването е финансирано от безвъзмездна помощ за научноизследователска и развойна дейност, насочена към лабораторията в Аргон (LDRD).