این تکنیک می تواند هزینه های توسعه باتری را کاهش دهد.
تصور کنید یک روانشناس در روزی که به دنیا آمدید به پدر و مادرتان می گوید که چقدر زنده خواهید ماند. تجربه مشابهی برای شیمیدانان باتری که از مدل های محاسباتی جدید برای محاسبه طول عمر باتری بر اساس یک چرخه واحد از داده های تجربی استفاده می کنند، ممکن است.
در یک مطالعه جدید، محققان آزمایشگاه ملی آرگون (DOE) وزارت انرژی ایالات متحده به قدرت یادگیری ماشینی برای پیش‌بینی طول عمر طیف وسیعی از مواد شیمیایی مختلف باتری روی آورده‌اند. دانشمندان با استفاده از داده‌های تجربی جمع‌آوری‌شده در آرگون از مجموعه‌ای متشکل از 300 باتری که شش ترکیب شیمیایی مختلف باتری را نشان می‌دهند، می‌توانند دقیقاً تعیین کنند که باتری‌های مختلف چه مدت به چرخه خود ادامه می‌دهند.
در یک الگوریتم یادگیری ماشینی، دانشمندان یک برنامه کامپیوتری را آموزش می‌دهند تا روی مجموعه اولیه داده‌ها استنتاج کند و سپس آنچه را که از آن آموزش آموخته است برای تصمیم‌گیری روی مجموعه دیگری از داده‌ها استفاده می‌کنند.
نوآ پالسون، دانشمند محاسباتی Argonne، نویسنده این مطالعه گفت: برای هر نوع کاربرد باتری، از تلفن های همراه گرفته تا وسایل نقلیه الکتریکی و ذخیره سازی شبکه، طول عمر باتری برای هر مصرف کننده از اهمیت اساسی برخوردار است. هزاران بار چرخاندن باتری تا زمانی که از کار بیفتد، ممکن است سال ها طول بکشد؛ روش ما نوعی آشپزخانه آزمایشی محاسباتی ایجاد می کند که در آن می توانیم به سرعت نحوه عملکرد باتری های مختلف را مشخص کنیم.
سوزان “سو” بابینک، الکتروشیمیدان Argonne، نویسنده دیگر این مطالعه، افزود: “در حال حاضر، تنها راه برای ارزیابی اینکه چگونه ظرفیت یک باتری کم می شود، چرخش واقعی باتری است.” بسیار گران است و زمان زیادی می برد.»
به گفته پالسون، فرآیند ایجاد طول عمر باتری می تواند مشکل باشد. او گفت: «واقعیت این است که باتری‌ها برای همیشه دوام نمی‌آورند و مدت زمان ماندگاری آنها به نحوه استفاده ما و همچنین طراحی و ترکیب شیمیایی آنها بستگی دارد.» “تا به حال، واقعاً راه خوبی برای دانستن اینکه باتری چقدر دوام می‌آورد وجود نداشته است. مردم می‌خواهند بدانند تا زمانی که مجبور به خرج کردن یک باتری جدید شوند چقدر فرصت دارند.”
یکی از جنبه‌های منحصربه‌فرد این مطالعه این است که بر کار تجربی گسترده‌ای که در Argonne بر روی انواع مواد کاتد باتری، به‌ویژه کاتد مبتنی بر نیکل- منگنز- کبالت (NMC) ثبت شده Argonne انجام شده است. پالسون گفت: «ما باتری‌هایی داشتیم که نشان‌دهنده شیمی‌های مختلف بودند، که روش‌های مختلفی برای تخریب و از کار افتادن دارند. “ارزش این مطالعه این است که به ما سیگنال هایی داد که مشخصه عملکرد باتری های مختلف است.”
پالسون گفت: مطالعات بیشتر در این زمینه پتانسیل هدایت آینده باتری های لیتیوم یون را دارد. او گفت: “یکی از کارهایی که ما می توانیم انجام دهیم این است که الگوریتم را روی یک شیمی شناخته شده آموزش دهیم و از آن بخواهیم روی یک شیمی ناشناخته پیش بینی کند.” اساساً، این الگوریتم ممکن است به ما کمک کند تا در جهت شیمی های جدید و بهبود یافته ای که طول عمر طولانی تری را ارائه می دهند، راهنمایی کنیم.
به این ترتیب، پالسون معتقد است که الگوریتم یادگیری ماشینی می تواند توسعه و آزمایش مواد باتری را تسریع کند. “بگویید که یک ماده جدید دارید، و آن را چند بار چرخش می کنید. می توانید از الگوریتم ما برای پیش بینی طول عمر آن استفاده کنید و سپس تصمیم بگیرید که آیا می خواهید به چرخه آن به صورت آزمایشی ادامه دهید یا نه.”
بابینک افزود: “اگر شما یک محقق در یک آزمایشگاه هستید، می توانید مواد بیشتری را در زمان کوتاه تری کشف و آزمایش کنید، زیرا راه سریع تری برای ارزیابی آنها دارید.”
مقاله ای بر اساس این مطالعه، “مهندسی ویژگی برای یادگیری ماشینی، پیش بینی اولیه طول عمر باتری را فعال کرد” در نسخه آنلاین 25 فوریه منتشر شد. مجله منابع برق.
علاوه بر پاولسون و بابینک، دیگر نویسندگان مقاله عبارتند از جوزف کوبال، لوگان وارد، ساوراب ساکسنا و ونکوان لو از آرگون.
این مطالعه توسط کمک هزینه تحقیق و توسعه (LDRD) با هدایت آزمایشگاهی Argonne تامین شد.
منبع داستان:
مواد تهیه شده توسط DOE/آزمایشگاه ملی آرگون. نوشته اصلی توسط Jared Sagoff. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.
