Инструмент на базе ИИ для исследователей батарей использует данные предыдущих разработок для прогнозирования срока службы новых концепций аккумуляторов.
Получив информацию всего лишь о 50 циклах, разработанный на инженерном факультете Мичиганского университета, этот ИИ может предсказать, сколько циклов зарядки-разрядки может выдержать батарея, прежде чем ее емкость упадет ниже 90% от расчетной.
Это поможет исследователям сэкономить месяцы, а может даже и годы исследований, в зависимости от условий циклических экспериментов. Кроме этого будет экономиться значительная часть электричества, которое тратится на испытания прототипов и тестирование батарей. По оценкам команды разработчиков, сроки службы новых конструкций батарей можно будет прогнозировать с затратой всего 5% электроэнергии и 2% времени по сравнению с традиционными методами тестирования.
«Изучая исторические конструкции батарей, мы используем физические принципы для построения обобщенной зависимости между испытаниями на ранних этапах и сроком службы. Мы можем минимизировать экспериментальные усилия и достичь высокоточного прогнозирования для новых конструкций батарей», — отмечает ученый с кафедры электротехники и вычислительной техники Мичиганского университета и ведущий автор исследования Цзию Сонг.
Исследование поддерживалось калифорнийской компанией Farasis Energy US, которая занимается производством аккумуляторов. Производитель также представил элементы питания и данные по проектированию и тестированию для оценки эффективности модели, обученной исключительно на бесплатных общедоступных данных.
Модель создана на основе педагогического подхода, известного как обучение через открытие или обучение на практике. Модель в таком типе обучения получает задачи и ресурсы для помощи в поиске решения, опираясь на собственный опыт и полученные знания. По результатам решения большого количества задач модель больше не нуждается в ресурсах для решения аналогичных задач.
«Обучение через открытие — это общий подход к машинному обучению, который может быть распространен на другие научные и инженерные сферы», — убеждает первый автор исследования Цзявей Чжан.
Команда разработала модель ИИ для прогнозирования срока службы батареи при заданных конструкции и условиях циклической работы, среди прочего температуре и токе. Система выбирает несколько вариантов аккумуляторов, которые бы заполнили пробелы в ее знаниях, для создания и тестирования в течение примерно 50 циклов. Результаты экспериментов поступают к интерпретатору, который получает доступ к историческим данным и выполняет вычисления с помощью физического симулятора батарей. Система прогнозирует срок службы экспериментальных батарей на основе предоставленных исторических данных и вычислений.
Обучающаяся модель объединяет новую информацию с предыдущими прогнозами для оценки срока службы новой конструкции аккумулятора. Даже при проведении экспериментов система обучения экономит значительную часть времени и энергии с потенциалом дальнейшего улучшения.
Li-ion батареи следующего поколения значительно отличаются от предыдущих версий по химическому составу, структуре и материалам. Однако исследователи утверждают, что между ними есть параллели, которые способны подсказать, как будут работать новейшие конструкции. Вместо использования простых статистических характеристик сигналов тока и напряжения интерпретатор использует физические свойства, лежащие в основе всех без исключения конструкций для выделения общих черт между различными аккумуляторами.
Используя эту информацию, ИИ рассматривает батареи двумя способами: с точки зрения их внутренних характеристик, включая физические и химические свойства элементов, и условий эксплуатации. Например, при высоких температурах определенные химические процессы могут вызывать деградацию элементов батареи, однако при более низких температурах этот механизм не играет такой роли.
Исследователи протестировали собственную модель ИИ, используя данные и пакетные элементы питания от Farasis Energy. После обучения на наборе данных, который включал только цилиндрические элементы, похожие на батарейки типа AA, модель успешно предсказала производительность больших элементов. В то время как полные испытания длятся до тысячи циклов и занимают от нескольких месяцев до нескольких лет, испытания на 50 циклов могут длиться буквально несколько дней или недель. Для тестирования понадобилось меньше элементов питания и меньше циклов, что позволило сэкономить 95% электроэнергии. Исследователи намерены расширить тот же подход на другие аспекты производительности, в частности, безопасность и скорость зарядки.
Мы ранее писали, что ученые из Научно-технологического Университета Пхоханю в Южной Корее обнаружили неизвестный ранее механизм деградации литий-ионных батарей в процессе их использования. Между тем европейские исследователи представили инновационную технологию мониторинга состояния аккумуляторов в электромобилях и системах возобновляемой энергетики, способную существенно повысить их безопасность, эффективность и срок службы.
Результаты исследования опубликованы в журнале Nature
Источник:TechXplore
Сообщить об опечатке
Текст, который будет отправлен нашим редакторам: