Уявіть, що екстрасенс говорить вашим батькам у день вашого народження, скільки ви проживете.Подібний досвід можливий для хіміків з виробництва акумуляторів, які використовують нові обчислювальні моделі для розрахунку терміну служби акумулятора на основі лише одного циклу експериментальних даних.

У новому дослідженні дослідники з Аргонської національної лабораторії Міністерства енергетики США (DOE) звернулися до можливостей машинного навчання, щоб передбачити термін служби багатьох різних хімічних елементів батареї.Використовуючи експериментальні дані, зібрані в Аргонні з набору з 300 батарей, що представляють шість різних хімічних елементів, вчені можуть точно визначити, як довго різні батареї продовжуватимуть працювати.

Дослідники Argonne використовували моделі машинного навчання, щоб спрогнозувати термін служби батареї для широкого діапазону різних хімікатів.(Зображення Shutterstock/Sealstep.)

В алгоритмі машинного навчання вчені навчають комп’ютерну програму робити висновки на початковому наборі даних, а потім беруть те, що вона навчилася в ході навчання, щоб приймати рішення щодо іншого набору даних.

«Для будь-якого різного застосування батареї, від стільникових телефонів до електромобілів і мережевих накопичувачів, термін служби батареї має фундаментальне значення для кожного споживача», — сказав науковець з обчислювальної техніки Аргонна Ной Полсон, автор дослідження.​«Тисячі разів заряджати батарею, поки вона не вийде з ладу, можуть тривати роки;наш метод створює своєрідну обчислювальну тестову кухню, де ми можемо швидко визначити, як працюватимуть різні батареї».

«Зараз єдиний спосіб оцінити, як зменшується ємність батареї, — це фактично перезарядити батарею», — додала електрохімік із Аргонна Сьюзен «Сью» Бабінец, інший автор дослідження.«Це дуже дорого і займає багато часу».

За словами Полсона, процес встановлення терміну служби батареї може бути складним.«Реальність така, що батареї не працюють вічно, і те, як довго вони працюють, залежить від того, як ми їх використовуємо, а також від їх дизайну та хімічного складу», — сказав він.«Досі не було чудового способу дізнатися, як довго вистачить заряду батареї.Люди захочуть знати, скільки часу у них є, поки їм доведеться витратити гроші на новий акумулятор».

Одним з унікальних аспектів дослідження є те, що воно спиралося на масштабну експериментальну роботу, проведену в Argonne щодо різноманітних матеріалів катода акумулятора, особливо запатентованого Argonne катода на основі нікелю, марганцю та кобальту (NMC).«У нас були батареї з різними хімічними складами, які по-різному руйнувалися та виходили з ладу», — сказав Полсон.«Цінність цього дослідження полягає в тому, що воно дало нам сигнали, характерні для різних батарей».

Подальші дослідження в цій галузі можуть визначити майбутнє літій-іонних батарей, сказав Полсон.«Одна з речей, які ми можемо зробити, — це навчити алгоритм на відомій хімії та змусити його робити прогнози на невідомій хімії», — сказав він.«По суті, алгоритм може допомогти нам вказати напрямок нових і вдосконалених хімічних речовин, які пропонують довший термін служби».

Таким чином, Полсон вважає, що алгоритм машинного навчання міг би прискорити розробку та тестування акумуляторних матеріалів.«Скажімо, у вас є новий матеріал, і ви перебираєте його кілька разів.Ви можете використовувати наш алгоритм, щоб спрогнозувати його довговічність, а потім прийняти рішення щодо того, чи хочете ви продовжувати його експериментальний цикл чи ні».

«Якщо ви дослідник у лабораторії, ви можете виявити та випробувати набагато більше матеріалів за коротший час, оскільки у вас є швидший спосіб їх оцінити», — додав Бабінец.

Стаття, заснована на дослідженні, «Розробка функцій для машинного навчання дозволила раннє прогнозування терміну служби акумулятора”, опубліковано 25 лютого в онлайн-виданні Journal of Power Sources.

Окрім Полсона та Бабінця, інші автори статті включають Джозефа Кубала з Аргонна, Логана Уорда, Саурабха Саксену та Венцюань Лу.

Дослідження фінансувалося грантом Argonne Laboratory-Directed Research and Development (LDRD).