Data-driven prediction of battery cycle life before capacity degradation
باتری های لیتیوم یون به علت دارا بودن ویژِگی هایی همچون چگالی انرژی بالا ، طول عمر بالا و نیز قیمت پایین ، همواره کاربردهای گسترده ای در بحث انرژی داشته و در وسایل الکترونیکی استفاده زیادی نیز ازآنها میشود.
پیش بینی دقیق طول عمر سیستم های غیرخطی و پیچیده مانند باتری ها، امری مهم در توسعه سریع فناوری می باشد. بنابراین، برای پیش بینی دقیق، استفاده از داده های چرخه اولیه باتری، فرصت های جدیدی در تولید، استفاده و بهینه سازی باتری ایجاد میکند .
به عنوان مثال توسعه دهندگان با استفاده از این اطلاعات می توانند چرخه باتری را توسعه دهند و سریع تر کنند و سلول های جدید را با توجه به طول عمر مورد نظر مرتب کنند و قیمت نهایی محصول را پایین بیاورند. با این حال، وجود مکانیزم های مختلف باتری در دستگاه های متنوع و شرایط عملیاتی مختلف، از جمله چالش های موجود در این مبحث است.
این تحقیق با مشارکت مشترک محققان دانشگاه استنفورد ، انستیتوی فناوری ماساچوست و موسسه تحقیقات تویوتا انجام شده است تا با ترکیب داده های جامع تجربی و هوش مصنوعی بتوانند عمر مفید باتری های لیتیوم یون را پیش بینی کنند. مجموعه داده های جامع، شامل تست کردن 124 سلول لیتیوم، فسفات آهن / گرافیت آهن با گستره طول عمری 150 تا 2300 چرخه است که در شرایط شارژ سریع قرار گرفته و منحنی های ولتاژ تخلیه چرخه اولیه آنها را بدست آورده اند. محققان مدل یادگیری ماشین خود را با چند میلیون داده از شارژ و دشارژ کردن باتری آموزش دادند.
این مدل شامل مراحلی همچون برازش مدل (تنظیم مقادیر ضریب) و انتخاب مدل (تنظیم ساختار مدل) می باشد، که همزمان از تکنیک های طناب و شبکه الاستیک در این روش استفاده شده است. این الگوریتم با توجه به افت ولتاژ و چند عامل دیگر در چرخه اولیه، قادر به یافتن دوام و چرخه های بیشتر باتری می باشد. روش استاندارد تست کردن طراحی های جدید در باتری ها بدین صورت است که، تا زمان خرابی آنها، شارژ و دشارژ(تخلیه) شدن سلول های باتری را اندازه گیری می کنند، که با توجه به طول عمر طولانی باتری ها، این فرآیند می توانست تا ماه ها یا حتی سال ها زمان ببرد، اما روش مبتنی بر هوش مصنوعی می تواند این زمان را به شدت کاهش داده و قبل از طراحی، آن را با دقت بالا پیش بینی کند.
همچنین با استفاده از روش مرتب سازی، می توان باتری های وسایل نقلیه الکتریکی که طول عمر آنها برای خودروها بسیار کوتاه شده را، برای مصارف دیگری همچون روشنایی خیابان ها و… بکار برد و دراین امر صرفه جویی نمود. مدل های بدست آمده ازاین روش جدید ، دارای 9.1 درصد خطا در اندازه گیری از 100 چرخه اولیه بودند که نشان دهنده آینده روشن در بکارگیری هوش مصنوعی برای پیش بینی رفتار سیستم های دینامیکی پیچیده می باشد.
منبع : doi : 10.1038/s41560-019-0356-8