Десетки цикли вместо хиляди: Изкуственият интелект определя живота на литиево-йонните батерии 50 пъти по-бързо

ИИ-инструмент за тестери на батерии използва данните от предишни разработки, за да предскаже живота на новите концепции за акумулатори.

Като вземе предвид информацията само за 50 цикъла, този изкуствен интелект, разработен в инженерния отдел на Университета в Мичиган, може да предвиди колко зарядно-разрядни цикъла може да издържи батерията, преди капацитетът ѝ да падне под 90% от заложения.

Това ще помогне на изследователите да спестят месеци или дори години проучвания, в зависимост от условията на цикличните експерименти. Също така ще спести значителна част от електроенергията, използвана за проучване на прототипи и тестване на батерии. Екипът от разработчици изчислява, че експлоатационният живот на новите батерии може да се предвиди, използвайки само 5% от енергията и 2% от времето в сравнение с традиционните методи за тестване.

„Чрез изучаване на историческите конструкции на батериите, ние използваме физически принципи, за да изградим обобщена връзка между производителността в ранен етап и жизнения цикъл. Можем да минимизираме експерименталните усилия и да постигнем високо точни прогнози за новите конструции на акумулаторите“ —- отбелязва Джию Сонг, изследовател в катедрата по електротехника и компютърно инженерство в Мичиганския университет и водещ автор на изследването.

Проучването е подкрепено от калифорнийския производител на батерии Farasis Energy US. Производителят е предоставил и акумулатори, както и данни за проектиране и тестване, за да оцени производителността на модела, който е обучен изключително върху свободно достъпни публични данни.

Моделът се основава на педагогически подход, известен като учене чрез откриване или учене чрез действие. При този тип учене на модела се дават задачи и ресурси, които да му помогнат да намери решения, като се позовава на собствения си опит и придобити знания. След решаване на голям брой проблеми, моделът вече не изисква ресурси за решаване на подобни проблеми.

„Обучението чрез откриване е общ подход към машинното обучение, който може да се разшири и до други научни и инженерни области“ —- казва първият автор на изследването, Джиавей Джанг.

Екипът разработи ИИ-модел за прогнозиране на живота на батерията при дадени конструктивни и циклични условия, включително температура и ток. Системата избира няколко варианта на батерията, които запълват празнините в знанията ѝ, за създаване и тестване за приблизително 50 цикъла. Експерименталните резултати се подават към интерпретатор, който осъществява достъп до исторически данни и извършва изчисления, използвайки физически симулатор на батерия. Системата прогнозира живота на експерименталните акумулатори въз основа на предоставените исторически данни и изчисления.

Обучаващият модел комбинира новата информация с предишните прогнози, за да оцени живота на новата конструкция на батерията. Дори по време на експериментите, системата за обучение спестява значително време и енергия, с потенциал за по-нататъшно подобрение.

Литиево-йонните батерии от следващо поколение се различават значително от предишните версии по своя химичен състав, структура и материали. Изследователите обаче твърдят, че има паралели между тях, които могат да дадат представа за това как ще се представят най-новите конструкции. Вместо да използва прости статистически характеристики на сигналите за ток и напрежение, интерпретаторът използва основните физически свойства на всички конструкции на батерии, за да открива общите черти между отделните акумулатори.

Използвайки тази информация, изкуственият интелект анализира батериите по два начина: от гледна точка на техните вътрешни характеристики, включително физичните и химичните свойства на клетките, и от гледна точка на техните експлоатационни условия. Например, при високи температури някои химични процеси могат да причинят деградация на клетките на батерията, но при по-ниски температури този механизъм не играе такава роля.

Изследователите са тествали свой собствен модел с изкуствен интелект, използвайки данни и батерийни клетки от Farasis Energy. След обучението върху набор от данни, който включва само цилиндрични клетки, подобни на AA батериите, моделът успешно е предсказал производителността на по-големите клетки. Докато пълните тестове продължават до хиляда цикъла и отнемат от няколко месеца до няколко години, тестовете с 50 цикъла могат да продължат само няколко дни или седмици. Тестването изисква по-малко клетки и по-малко цикли, което доведе до икономия на енергия от 95%. Изследователите възнамеряват да разширят същия подход към други аспекти на производителността и по-специално безопасността и скоростта на зареждане.