Уявіть собі, що екстрасенс повідомляє вашим батькам у день вашого народження, скільки ви проживете. Подібний досвід можливий для хіміків, що спеціалізуються на акумуляторах, які використовують нові обчислювальні моделі для розрахунку терміну служби акумуляторів на основі навіть одного циклу експериментальних даних.

У новому дослідженні дослідники з Аргоннської національної лабораторії Міністерства енергетики США (DOE) звернулися до можливостей машинного навчання для прогнозування терміну служби широкого спектру різних хімічних складів акумуляторів. Використовуючи експериментальні дані, зібрані в Аргонні з набору з 300 акумуляторів, що представляють шість різних хімічних складів, вчені можуть точно визначити, як довго різні акумулятори продовжуватимуть циклічно розряджатися/заряджатися.

Дослідники з Аргонна використовували моделі машинного навчання для прогнозування терміну служби батареї для широкого спектру різних хімічних речовин. (Зображення Shutterstock/Sealstep.)

В алгоритмі машинного навчання вчені навчають комп'ютерну програму робити висновки на основі початкового набору даних, а потім використовують отримані в результаті цього навчання знання для прийняття рішень на основі іншого набору даних.

«Для кожного виду застосування акумуляторів, від мобільних телефонів до електромобілів та мережевих накопичувачів, термін служби акумулятора має фундаментальне значення для кожного споживача», — сказав науковець-обчислювач з Аргонна Ной Полсон, автор дослідження. «Необхідність тисяч разів циклічно розряджати акумулятор, доки він не вийде з ладу, може зайняти роки; наш метод створює своєрідну обчислювальну тестову кухню, де ми можемо швидко встановити, як працюватимуть різні акумулятори».

«Зараз єдиний спосіб оцінити, як зменшується ємність акумулятора, — це фактично циклічно розрядити/зарядити акумулятор», — додала електрохімікиня з Аргонна Сьюзен «Сью» Бабінець, ще одна авторка дослідження. «Це дуже дорого і займає багато часу».

За словами Полсона, процес визначення терміну служби батареї може бути складним. «Реальність така, що батареї не служать вічно, і те, як довго вони служать, залежить від того, як ми їх використовуємо, а також від їхньої конструкції та хімічного складу», – сказав він. «Досі не було справді надійного способу дізнатися, як довго прослужить батарея. Люди захочуть знати, скільки часу залишилося до того, як їм доведеться витрачати гроші на нову батарею».

Один унікальний аспект дослідження полягає в тому, що воно спиралося на масштабну експериментальну роботу, проведену в Argonne з різноманітними матеріалами для катодів акумуляторів, особливо на запатентований Argonne катод на основі нікель-марганцево-кобальтового (NMC) сплаву. «У нас були акумулятори з різним хімічним складом, які по-різному руйнуються та виходять з ладу», — сказав Полсон. «Цінність цього дослідження полягає в тому, що воно дало нам сигнали, характерні для роботи різних акумуляторів».

Подальші дослідження в цій галузі можуть спрямувати майбутнє літій-іонних акумуляторів, сказав Полсон. «Одна з речей, яку ми можемо зробити, це навчити алгоритм на відомому хімічному складі та змусити його робити прогнози на невідомому хімічному складі», – сказав він. «По суті, алгоритм може допомогти нам у напрямку нових та вдосконалених хімічних складів, які пропонують довший термін служби».

Таким чином, Полсон вважає, що алгоритм машинного навчання може пришвидшити розробку та тестування матеріалів для акумуляторів. «Скажімо, у вас є новий матеріал, і ви циклічно його перевіряєте кілька разів. Ви можете використовувати наш алгоритм, щоб передбачити його довговічність, а потім прийняти рішення, чи хочете ви продовжувати експериментально його тестувати чи ні».

«Якщо ви дослідник у лабораторії, ви можете відкрити та протестувати набагато більше матеріалів за коротший час, оскільки у вас є швидший спосіб їх оцінити», – додав Бабінець.

Стаття, заснована на дослідженні, «Інженерія функцій для машинного навчання дозволила завчасно передбачити термін служби батареї«», з’явилася в онлайн-видання журналу «Джерсели живлення» від 25 лютого.

Окрім Полсона та Бабінеця, серед інших авторів статті – Джозеф Кубал з Аргонна, Логан Ворд, Саурабх Саксена та Венкуан Лу.

Дослідження було профінансовано грантом Аргоннської лабораторії на дослідження та розробки (LDRD).