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

В новом исследовании ученые из Аргоннской национальной лаборатории Министерства энергетики США (DOE) применили возможности машинного обучения для прогнозирования срока службы широкого спектра различных типов батарей. Используя экспериментальные данные, собранные в Аргонне на основе 300 батарей, представляющих шесть различных типов, ученые смогли точно определить, как долго различные батареи будут продолжать циклически работать.

Исследователи из Аргоннской национальной лаборатории использовали модели машинного обучения для прогнозирования срока службы батарей с различными химическими составами. (Изображение предоставлено Shutterstock/Sealstep.)

В алгоритме машинного обучения ученые обучают компьютерную программу делать выводы на основе исходного набора данных, а затем, используя полученные в ходе обучения знания, принимают решения на основе другого набора данных.

«Для каждого типа применения батарей, от мобильных телефонов и электромобилей до систем хранения энергии в электросетях, срок службы батареи имеет фундаментальное значение для каждого потребителя», — сказал Ноа Полсон, специалист по вычислительным наукам из Аргоннской национальной лаборатории и один из авторов исследования. «Необходимость многократного цикла зарядки/разрядки батареи до полного выхода из строя может занять годы; наш метод создает своего рода вычислительную экспериментальную площадку, где мы можем быстро определить, как будут работать различные батареи».

«В настоящее время единственный способ оценить, как снижается емкость батареи, — это фактически циклически её разрядить и зарядить», — добавила Сьюзан «Сью» Бабинец, электрохимик из Аргоннской национальной лаборатории и один из авторов исследования. «Это очень дорого и занимает много времени».

По словам Полсона, определение срока службы батареи может быть непростой задачей. «Реальность такова, что батареи не вечны, и их срок службы зависит от способа использования, а также от конструкции и химического состава», — сказал он. «До сих пор не было хорошего способа узнать, как долго прослужит батарея. Люди захотят знать, сколько времени у них осталось до того, как им придется тратить деньги на новую батарею».

Уникальность исследования заключается в том, что оно опиралось на обширную экспериментальную работу, проведенную в Аргоннской национальной лаборатории с различными материалами катодов батарей, особенно с запатентованным Аргоннской лабораторией катодом на основе никель-марганцево-кобальта (NMC). «У нас были батареи с разным химическим составом, которые по-разному деградируют и выходят из строя», — сказал Полсон. «Ценность этого исследования заключается в том, что оно дало нам сигналы, характерные для работы разных батарей».

Дальнейшие исследования в этой области могут определить будущее литий-ионных батарей, сказал Полсон. «Одна из возможностей, которые нам предоставляет алгоритм, — это обучение его на основе известной химической структуры и прогнозирование на основе неизвестной химической структуры», — сказал он. «По сути, алгоритм может помочь нам определить направление для новых и улучшенных химических составов, обеспечивающих более длительный срок службы».

Таким образом, Полсон считает, что алгоритм машинного обучения может ускорить разработку и тестирование материалов для батарей. «Допустим, у вас есть новый материал, и вы несколько раз подвергаете его циклированию. Вы можете использовать наш алгоритм для прогнозирования его долговечности, а затем принять решение о том, стоит ли продолжать экспериментальные циклы или нет».

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

Статья, основанная на этом исследовании, «Разработка признаков для машинного обучения позволила прогнозировать срок службы батареи на ранних этапах.Статья была опубликована в онлайн-издании журнала Journal of Power Sources 25 февраля.

Помимо Полсона и Бабинеца, в число авторов статьи входят Джозеф Кубал, Логан Уорд, Саурабх Саксена и Вэньцюань Лу из Аргоннской национальной лаборатории.

Исследование было профинансировано за счет гранта Аргоннской лаборатории по направленным исследованиям и разработкам (LDRD).