Точный прогноз срока службы батарей с ИИ: исследование DOE Argonne

В новом исследовании ученые Лаборатории Аргонна Министерства энергетики США (DOE) обратились к машинному обучению для предсказания сроков службы широкого спектра разных химий батарей. Используя экспериментальные данные, собранные в Аргонне из набора 300 батарей, представляющих шесть разных химий, ученые могут точно определить, как долго разные батареи будут продолжать циклы.

В алгоритме машинного обучения ученые обучают компьютерную программу делать выводы на начальном наборе известных данных, поданных ей, а затем берут то, чему она научилась от этого обучения, чтобы принимать решения на новом наборе неизвестных данных.

«Для любого вида применения батарей — от мобильных телефонов до электромобилей и сетевого хранения — срок службы батареи имеет фундаментальное значение», — сказал вычислительный ученый Аргонна Ноа Полсон, соавтор исследования. «Необходимость циклировать батарею тысячи раз до отказа может занимать годы; наш метод создает своего рода вычислительную тестовую кухню, где мы можем быстро установить, как будут выполняться разные батареи».

«Прямо сейчас единственный способ оценить, как угасает емкость батареи — это фактически циклировать её», — добавила электрохимик Аргонна Сьюзен «Су» Бабинек, другая соавтор исследования. «Это очень дорого и занимает много времени».

По словам Полсона, процесс установления срока службы батареи может быть сложным. «Реальность в том, что батареи не вечны, и как долго они служат зависит от того, как мы их используем, а также от их дизайна и химии», — сказал он. «До сих пор не было действительно хорошего способа узнать, как долго прослужит батарея. Люди захотят знать, сколько у них осталось до того, как им придется потратить деньги на новую батарею».

Один уникальный аспект исследования — опора на обширную экспериментальную работу в Аргонне над различными катодными материалами батарей, особенно запатентованным никель-марганцево-кобальтовым (NMC) катодом Аргонна. «У нас были батареи, представляющие разные химии, имеющие разные пути деградации и отказа», — сказал Полсон. «Ценность этого исследования в том, что оно дало нам сигналы, характерные для того, как выполняются разные батареи».

Дальнейшие исследования в этой области могут направить будущее литий-ионных батарей, сказал Полсон. «Одна из вещей, которые мы можем сделать — обучить алгоритм на известной химии и заставить его делать предсказания на неизвестной химии», — сказал он. «По сути, алгоритм может помочь указать нам направление к новым и улучшенным химиям, предлагающим более долгие сроки службы».

Таким образом, Полсон считает, что алгоритм машинного обучения может ускорить разработку и тестирование батарейных материалов. «Скажем, у вас есть новый материал, и вы его проциклировали несколько раз. Вы могли бы использовать наш алгоритм для предсказания его долговечности, а затем принимать решения о том, хотите ли вы продолжать экспериментальное циклирование или нет».

«Если вы исследователь в лаборатории, вы можете открывать и тестировать гораздо больше материалов за более короткое время, потому что у вас есть более быстрый способ их оценки», — добавила Бабинэк.

Статья, основанная на исследовании, «Feature engineering for machine learning enabled early prediction of battery lifetime», появилась в онлайн-издании Journal of Power 25 февраля.