Представьте себе, что в день вашего рождения экстрасенс сообщает вашим родителям, как долго вы проживете.Подобный опыт возможен и для химиков-батарейщиков, которые используют новые вычислительные модели для расчета срока службы батарей на основе всего лишь одного цикла экспериментальных данных.

В новом исследовании исследователи из Аргоннской национальной лаборатории Министерства энергетики США (DOE) обратились к возможностям машинного обучения, чтобы предсказать срок службы батарей широкого спектра различных по химическому составу.Используя экспериментальные данные, собранные в Аргонне от набора из 300 батарей, представляющих шесть различных химических элементов, ученые могут точно определить, как долго разные батареи будут продолжать работать.

Исследователи из Аргонна использовали модели машинного обучения, чтобы спрогнозировать срок службы батарей для широкого спектра различных химических веществ.(Изображение Shutterstock/Sealstep.)

В алгоритме машинного обучения ученые обучают компьютерную программу делать выводы на основе исходного набора данных, а затем используют то, что она узнала в результате этого обучения, для принятия решений на основе другого набора данных.

«Для каждого типа применения батарей, от сотовых телефонов до электромобилей и сетевых накопителей, срок службы батареи имеет фундаментальное значение для каждого потребителя», — сказал ученый-вычислитель из Аргонна Ноа Полсон, автор исследования.«Необходимость запускать батарею тысячи раз, пока она не выйдет из строя, может занять годы;Наш метод создает своего рода вычислительную тестовую кухню, где мы можем быстро определить, как будут работать разные батареи».

«На данный момент единственный способ оценить, как снижается емкость батареи, — это периодически включать и выключать батарею», — добавила электрохимик из Аргонна Сьюзен «Сью» Бабинец, еще один автор исследования.«Это очень дорого и занимает много времени».

По словам Полсона, процесс определения срока службы батареи может быть непростым.«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 существовало хорошего способа узнать, как долго прослужит батарея.Люди захотят знать, сколько времени им осталось, прежде чем им придется тратить деньги на новую батарею».

Уникальным аспектом исследования является то, что оно основывалось на обширной экспериментальной работе, проведенной в Аргонне с различными катодными материалами аккумуляторных батарей, особенно с запатентованным Аргонном катодом на основе никеля-марганца-кобальта (NMC).«У нас были батареи, которые представляли собой разные химические элементы, которые имели разные способы разложения и выхода из строя», — сказал Полсон.«Ценность этого исследования заключается в том, что оно дало нам сигналы, характерные для работы различных батарей».

По словам Полсона, дальнейшие исследования в этой области могут определить будущее литий-ионных батарей.«Одна из вещей, которые мы можем сделать, — это обучить алгоритм на известном химическом составе и заставить его делать прогнозы по неизвестному химическому составу», — сказал он.«По сути, алгоритм может помочь нам указать направление к новым и улучшенным химическим соединениям, обеспечивающим более длительный срок службы».

Таким образом, Полсон считает, что алгоритм машинного обучения может ускорить разработку и тестирование материалов для аккумуляторов.«Предположим, 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 его экспериментальное циклирование или нет».

«Если вы исследователь в лаборатории, вы можете обнаружить и протестировать гораздо больше материалов за более короткое время, поскольку у вас есть более быстрый способ их оценки», — добавил Бабинец.

Статья, основанная на исследовании, ​“Разработка функций машинного обучения позволила заранее спрогнозировать срок службы батареи», появилось в онлайн-издании Journal of Power Sources от 25 февраля.

Помимо Полсона и Бабинека, в число других авторов статьи входят Джозеф Кубал из Аргонны, Логан Уорд, Саураб Саксена и Вэньцюань Лу.

Исследование финансировалось за счет гранта Аргоннской лаборатории исследований и разработок (LDRD).