Zamislite vidovnjaka koji vašim roditeljima, na dan vašeg rođenja, govori koliko ćete dugo živjeti. Slično iskustvo moguće je za kemičare baterija koji koriste nove računalne modele za izračunavanje vijeka trajanja baterija na temelju samo jednog ciklusa eksperimentalnih podataka.

U novoj studiji, istraživači u Nacionalnom laboratoriju Argonne pri američkom Ministarstvu energetike (DOE) okrenuli su se snazi ​​strojnog učenja kako bi predvidjeli vijek trajanja širokog raspona različitih kemijskih sastava baterija. Korištenjem eksperimentalnih podataka prikupljenih u Argonneu iz skupa od 300 baterija koje predstavljaju šest različitih kemijskih sastava baterija, znanstvenici mogu točno odrediti koliko dugo će različite baterije nastaviti ciklički funkcionirati.

Istraživači iz Argonnea koristili su modele strojnog učenja kako bi predvidjeli vijek trajanja baterije za širok raspon različitih kemijskih sastava. (Slika: Shutterstock/Sealstep.)

U algoritmu strojnog učenja, znanstvenici obučavaju računalni program da donosi zaključke na temelju početnog skupa podataka, a zatim ono što je naučio iz te obuke koristi za donošenje odluka na temelju drugog skupa podataka.

„Za svaku vrstu primjene baterija, od mobitela do električnih vozila i pohrane energije u mreži, vijek trajanja baterije je od temeljne važnosti za svakog potrošača“, rekao je Noah Paulson, računalni znanstvenik iz Argonnea, autor studije. „Tisuće ciklusa punjenja i pražnjenja baterije dok se ne pokvari može potrajati godinama; naša metoda stvara svojevrsnu računalnu testnu kuhinju u kojoj možemo brzo utvrditi kako će se različite baterije ponašati.“

„Trenutno je jedini način da se procijeni kako kapacitet baterije opada zapravo cikliranje baterije“, dodala je elektrokemičarka iz Argonnea, Susan ​“Sue” Babinec, još jedna autorica studije. ​„To je vrlo skupo i traje dugo.“

Prema Paulsonu, proces određivanja vijeka trajanja baterije može biti nezgodan. „Stvarnost je da baterije ne traju vječno, a koliko dugo traju ovisi o načinu na koji ih koristimo, kao i o njihovom dizajnu i kemijskom sastavu“, rekao je. „Do sada nije postojao dobar način da se sazna koliko će baterija trajati. Ljudi će htjeti znati koliko im je vremena preostalo prije nego što budu morali potrošiti novac na novu bateriju.“

Jedan jedinstveni aspekt studije jest to što se oslanjala na opsežan eksperimentalni rad proveden u Argonneu na raznim materijalima za katode baterija, posebno na Argonneovoj patentiranoj katodi na bazi nikal-mangan-kobalta (NMC). „Imali smo baterije koje su predstavljale različite kemijske sastave, koje su imale različite načine na koje bi se degradirale i otkazivale“, rekao je Paulson. „Vrijednost ove studije je u tome što nam je dala signale koji su karakteristični za to kako različite baterije funkcioniraju.“

Daljnja istraživanja u ovom području imaju potencijal usmjeriti budućnost litij-ionskih baterija, rekao je Paulson. „Jedna od stvari koje možemo učiniti jest trenirati algoritam na poznatoj kemiji i natjerati ga da daje predviđanja na nepoznatoj kemiji“, rekao je. „U osnovi, algoritam bi nam mogao pomoći da se usmjerimo u smjeru novih i poboljšanih kemija koje nude dulji vijek trajanja.“

Na taj način, Paulson vjeruje da bi algoritam strojnog učenja mogao ubrzati razvoj i testiranje materijala za baterije. „Recimo da imate novi materijal i da ga ciklirate nekoliko puta. Mogli biste koristiti naš algoritam za predviđanje njegove dugovječnosti, a zatim donijeti odluke o tome želite li ga nastaviti eksperimentalno ciklirati ili ne.“

„Ako ste istraživač u laboratoriju, možete otkriti i testirati mnogo više materijala u kraćem vremenu jer imate brži način da ih procijenite“, dodao je Babinec.

Rad temeljen na studiji, ​"Inženjering značajki za strojno učenje omogućio je rano predviđanje vijeka trajanja baterije„“, objavljeno je 25. veljače u online izdanju časopisa Journal of Power Sources.

Uz Paulsona i Babineca, među autorima rada su i Joseph Kubal iz Argonnea, Logan Ward, Saurabh Saxena i Wenquan Lu.

Studiju je financirala potpora za istraživanje i razvoj usmjeren laboratorijem Argonne (LDRD).