Zamislite vidovnjaka koji vašim roditeljima, na dan vašeg rođenja, kaže koliko ćete živjeti.Slično iskustvo je moguće za kemičare baterija koji koriste nove računarske modele za izračunavanje vijeka trajanja baterije na osnovu samo jednog ciklusa eksperimentalnih podataka.

U novoj studiji, istraživači iz Nacionalne laboratorije Argonne Ministarstva energetike SAD-a (DOE) okrenuli su se moći mašinskog učenja kako bi predvidjeli vijek trajanja širokog spektra različitih hemija baterija.Koristeći eksperimentalne podatke prikupljene u Argonneu iz seta od 300 baterija koje predstavljaju šest različitih kemijskih sastava baterija, naučnici mogu precizno odrediti koliko dugo će različite baterije nastaviti ciklus.

Istraživači iz Argonnea koristili su modele mašinskog učenja da bi predvideli životni ciklus baterije za širok spektar različitih hemija.(Slika Shutterstock/Sealstep.)

U algoritmu za mašinsko učenje, naučnici obučavaju kompjuterski program da donosi zaključke o početnom skupu podataka, a zatim uzimaju ono što je naučio iz te obuke kako bi donosili odluke o drugom skupu podataka.

“Za svaku različitu vrstu primjene baterija, od mobilnih telefona preko električnih vozila do skladišta na mreži, vijek trajanja baterije je od fundamentalne važnosti za svakog potrošača”, rekao je naučnik iz Argonnea Noah Paulson, autor studije.​ „Morati da se baterija ciklusa hiljadama puta dok ne pokvari može potrajati godinama;naša metoda stvara neku vrstu kompjuterske testne kuhinje u kojoj možemo brzo utvrditi kako će različite baterije raditi.”

“Trenutno, jedini način da se procijeni kako kapacitet baterije blijedi je da se baterija zapravo ciklusi”, dodala je elektrohemičarka iz Argonnea Susan “Sue” Babinec, još jedna autorica studije.„Veoma je skupo i dugo traje.”

Prema Paulsonu, proces određivanja vijeka trajanja baterije može biti težak.“Realnost je da baterije ne traju vječno, a koliko dugo traju ovisi o načinu na koji ih koristimo, kao io njihovom dizajnu i hemiji,” rekao je.„Do sada zaista nije postojao sjajan način da se zna koliko će baterija trajati.Ljudi će htjeti da znaju koliko im je ostalo dok ne potroše novac na novu bateriju.”

Jedan jedinstveni aspekt studije je da se oslanjao na opsežan eksperimentalni rad obavljen u Argonneu na različitim materijalima katodnih baterija, posebno Argonneove patentirane katode na bazi nikla-mangan-kobalta (NMC).“Imali smo baterije koje su predstavljale različite hemije, koje imaju različite načine na koje bi degradirale i otkazale”, rekao je Paulson.“Vrijednost ove studije je u tome što nam je dala signale koji su karakteristični za to kako različite baterije rade.”

Dalja istraživanja u ovoj oblasti imaju potencijal da usmjere budućnost litijum-jonskih baterija, rekao je Paulson.„Jedna od stvari koje možemo da uradimo je da treniramo algoritam na poznatoj hemiji i da ga nateramo da predvidi nepoznatu hemiju“, rekao je.“U suštini, algoritam nam može pomoći da nas uputi u smjeru novih i poboljšanih hemija koje nude duži vijek trajanja.”

Na taj način Paulson vjeruje da bi algoritam strojnog učenja mogao ubrzati razvoj i testiranje materijala za baterije.„Recimo da imate novi materijal i da ga prođete nekoliko puta.Mogli biste koristiti naš algoritam da predvidite njegovu dugovječnost, a zatim donesete odluke o tome želite li nastaviti s eksperimentalnim ciklusom ili ne.”

“Ako ste istraživač u laboratoriju, možete otkriti i testirati mnogo više materijala u kraćem vremenu jer imate brži način da ih procijenite”, dodao je Babinec.

Rad zasnovan na studiji, ​“Inženjering karakteristika za mašinsko učenje omogućio je rano predviđanje životnog veka baterije“, pojavio se u online izdanju Journal of Power Sources od 25. februara.

Osim Paulsona i Babineca, drugi autori rada su Argonneov Joseph Kubal, Logan Ward, Saurabh Saxena i Wenquan Lu.

Studija je finansirana od strane Argonne Laboratory-Directed Research and Development (LDRD) granta.