prevedere la durata della batteria con l’apprendimento automatico
La tecnica potrebbe ridurre i costi di sviluppo della batteria.
Immagina un sensitivo che dice ai tuoi genitori, il giorno in cui sei nato, quanto tempo saresti vissuto. Un’esperienza simile è possibile per i chimici delle batterie che utilizzano nuovi modelli computazionali per calcolare la durata delle batterie sulla base di un minimo di un singolo ciclo di dati sperimentali.
In un nuovo studio, i ricercatori dell’Argonne National Laboratory del Dipartimento dell’Energia degli Stati Uniti (DOE) si sono rivolti al potere dell’apprendimento automatico per prevedere la vita di un’ampia gamma di diversi tipi di batterie. Utilizzando i dati sperimentali raccolti ad Argonne da un set di 300 batterie che rappresentano sei diversi tipi di batterie, gli scienziati possono determinare con precisione per quanto tempo le diverse batterie continueranno a funzionare.
In un algoritmo di apprendimento automatico, gli scienziati addestrano un programma per computer per fare inferenze su un set iniziale di dati, quindi prendono ciò che ha appreso da quel training per prendere decisioni su un altro set di dati.
“Per ogni diverso tipo di applicazione della batteria, dai telefoni cellulari ai veicoli elettrici allo storage di rete, la durata della batteria è di fondamentale importanza per ogni consumatore”, ha affermato lo scienziato computazionale Argonne Noah Paulson, autore dello studio. “Dovere azionare una batteria migliaia di volte fino a quando non si guasta può richiedere anni; il nostro metodo crea una sorta di cucina di prova computazionale in cui possiamo stabilire rapidamente come funzioneranno le diverse batterie “.
“In questo momento, l’unico modo per valutare come svanisce la capacità di una batteria è di eseguire effettivamente il ciclo della batteria “, ha aggiunto Susan, l’elettrochimica di Argonne “Sue ”Babinec, un altro autore dello studio. “È molto costoso e ci vuole molto tempo. “
Secondo Paulson, il processo per stabilire la durata della batteria può essere complicato. “La realtà è che le batterie non durano per sempre e quanto durano dipende dal modo in cui le utilizziamo, nonché dal loro design e dalla loro chimica “, ha affermato. “Fino ad ora, non c’era davvero un ottimo modo per sapere quanto durerà una batteria. Le persone vorranno sapere quanto tempo hanno prima di dover spendere soldi per una nuova batteria”.
Un aspetto unico dello studio è che si basava su un ampio lavoro sperimentale svolto ad Argonne su una varietà di materiali catodici per batterie, in particolare il catodo brevettato a base di nichel-manganese-cobalto (NMC) di Argonne. “Avevamo batterie che rappresentavano diverse sostanze chimiche, che hanno modi diversi di degradarsi e guastarsi”, ha affermato Paulson. “Il valore di questo studio è che ci ha fornito segnali caratteristici delle prestazioni delle diverse batterie . “
Ulteriori studi in questo settore hanno il potenziale per guidare il futuro delle batterie agli ioni di litio , ha affermato Paulson. “Una delle cose che siamo in grado di fare è addestrare l’algoritmo su una chimica nota e fargli fare previsioni su una chimica sconosciuta”, ha affermato. “Essenzialmente, l’algoritmo può aiutarci a indirizzarci verso prodotti chimici nuovi e migliorati che offrono una vita più lunga. “
In questo modo, Paulson ritiene che l’ algoritmo di apprendimento automatico potrebbe accelerare lo sviluppo e il test dei materiali delle batterie. “Dì che hai un nuovo materiale e lo cicli alcune volte. Potresti usare il nostro algoritmo per prevederne la longevità e poi decidere se vuoi continuare a ciclarlo sperimentalmente o meno”.
“Se sei un ricercatore in un laboratorio, puoi scoprire e testare molti più materiali in un tempo più breve perché hai un modo più veloce per valutarli”, ha aggiunto Babinec.
Un documento basato sullo studio, “L’ ingegneria delle funzionalità per l’apprendimento automatico ha consentito la previsione precoce della durata della batteria “, è apparso nell’edizione online del 25 febbraio del Journal of Power Sources .
Oltre a Paulson e Babinec, altri autori dell’articolo includono Joseph Kubal di Argonne, Logan Ward, Saurabh Saxena e Wenquan Lu.
Lo studio è stato finanziato da una sovvenzione per la ricerca e lo sviluppo diretti dal laboratorio Argonne (LDRD).
Argonne National Laboratory cerca soluzioni a problemi nazionali urgenti nella scienza e nella tecnologia. Primo laboratorio nazionale della nazione, Argonne conduce ricerca scientifica di base e applicata all’avanguardia praticamente in ogni disciplina scientifica. I ricercatori Argonne lavorano a stretto contatto con ricercatori di centinaia di aziende, università e agenzie federali, statali e municipali per aiutarli a risolvere i loro problemi specifici, far avanzare la leadership scientifica americana e preparare la nazione per un futuro migliore. Con dipendenti provenienti da più di 60 nazioni, Argonne è gestita da UChicago Argonne, LLC per l’ Office of Science del Dipartimento dell’Energia degli Stati Uniti .
L’Office of Science del Dipartimento dell’Energia degli Stati Uniti è il più grande sostenitore della ricerca di base nelle scienze fisiche negli Stati Uniti e sta lavorando per affrontare alcune delle sfide più urgenti del nostro tempo. Per ulteriori informazioni, visitare https://energgy.gov/science .
