Представете си, че медиум казва на родителите ви, в деня на вашето раждане, колко дълго ще живеете. Подобно преживяване е възможно за химиците, занимаващи се с батерии, които използват нови изчислителни модели, за да изчислят живота на батериите, базирани на едва един цикъл експериментални данни.

В ново проучване, изследователи от Националната лаборатория Аргон към Министерството на енергетиката на САЩ (DOE) са се обърнали към силата на машинното обучение, за да предскажат живота на широк спектър от различни химически състави на батериите. Използвайки експериментални данни, събрани в Аргон от набор от 300 батерии, представляващи шест различни химически състава на батериите, учените могат точно да определят колко дълго ще продължат да се зареждат и разреждат различните батерии.

Изследователи от Argonne са използвали модели за машинно обучение, за да правят прогнози за живота на батерията за широк спектър от различни химични съставки. (Изображение от Shutterstock/Sealstep.)

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

„За всеки различен вид приложение на батериите, от мобилни телефони до електрически превозни средства и съхранение на енергия в мрежата, животът на батерията е от основно значение за всеки потребител“, каза Ноа Полсън, учен по компютърни науки от Аргон и автор на изследването. „Нуждата от хиляди цикли на зареждане и разреждане на батерията, докато тя 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 намалява е действително да се зареди и пусне батерията“, добави електрохимикът от Аргон Сюзън „Сю“ Бабинец, друг автор на изследването. „Много е скъпо и отнема много време.“

Според Полсън, процесът на определяне на живота на батерията може да бъде сложен. „Реалността е, че батериите не издържат вечно и колко дълго ще издържат зависи от начина, по който ги използваме, както и от дизайна и химичния им състав“, каза той. „Досега наистина нямаше добър начин да се знае колко дълго ще издържи една батерия. Хората ще искат да знаят колко време им остава, преди да се наложи да харчат пари за нова батерия.“

Един уникален аспект на изследването е, че то се основава на обширна експериментална работа, извършена в Argonne върху различни материали за катоди на батерии, особено патентования катод на Argonne на базата на никел-манган-кобалт (NMC). „Имахме батерии, които представляват различни химични състави, които имат различни начини за разграждане и отказ“, каза Полсън. „Ценността на това изследване е, че ни даде сигнали, характерни за това как се представят различните батерии.“

По-нататъшни проучвания в тази област имат потенциал да насочат бъдещето на литиево-йонните батерии, каза Полсън. „Едно от нещата, които можем да направим, е да обучим алгоритъма върху известен химичен състав и той да прави прогнози върху неизвестен химичен състав“, каза той. „По същество алгоритъмът може да ни насочи към нови и подобрени химични състави, които предлагат по-дълъг живот.“

По този начин Полсън вярва, че алгоритъмът за машинно обучение би могъл да ускори разработването и тестването на материали за батерии. „Да речем, че имате нов материал и го циклирате няколко пъти. Можете да използвате нашия алгоритъм, за да предвидите неговата дълготрайност и след това да вземете решения дали искате да продължите да го циклирате 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.

Доклад, базиран на проучването, „Инженерингът на характеристики за машинно обучение позволи ранно прогнозиране на живота на батерията„, появи се в онлайн изданието на Journal of Power Sources от 25 февруари.

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

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