Прогнозирование срока службы батареи с помощью машинного обучения

В новом исследовании исследователи из Аргоннской национальной лаборатории Министерства энергетики США (DOE) обратились к машинному обучению, чтобы предсказать срок службы широкого спектра батарей с различным химическим составом. Используя экспериментальные данные, собранные в Аргонне для набора из 300 аккумуляторов, представляющих шесть различных химических элементов, ученые могут точно определить, как долго будут продолжать работать различные аккумуляторы.

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

«Для каждого вида применения аккумуляторов, от сотовых телефонов до электромобилей и сетевых накопителей, срок службы аккумулятора имеет фундаментальное значение», — сказал автор исследования Ноа Полсон, специалист по вычислительной технике из Аргонны. «Тысячи циклов перезарядки батареи, пока она не выйдет из строя, могут занять годы; наш метод создает своего рода вычислительную тестовую кухню, где мы можем быстро установить, как будут работать разные батареи».

«В настоящее время единственный способ оценить, как снижается емкость батареи, — это фактически перезарядить батарею», — добавила электрохимик из Аргонны Сьюзан «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 не было хорошего способа узнать, как долго будет работать батарея. Люди захотят узнать, сколько времени у них осталось до покупки новой батареи».

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 катодом на основе никеля, марганца и кобальта (NMC). «У нас были батареи с разным химическим составом, которые по-разному разлагались и выходили из строя», — сказал Полсон. «Ценность этого исследования заключается в том, что оно дало нам сигналы, характеризующие работу различных аккумуляторов».

По словам Полсона, дальнейшие исследования в этой области могут определить будущее литий-ионных аккумуляторов. «Одна из вещей, которые мы можем сделать, — это обучить алгоритм известному химическому составу и заставить его делать прогнозы для неизвестного химического состава», — 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 работаете в лаборатории, вы можете найти и протестировать гораздо больше материалов за более короткое время, потому что у вас есть более быстрый способ их оценки», — добавил Бабинец.

Статья, основанная на исследовании «Разработка функций для машинного обучения позволила заблаговременно прогнозировать срок службы батареи», была опубликована в онлайн-выпуске Journal of Power