Φανταστείτε ένα μέντιουμ να λέει στους γονείς σας, την ημέρα που γεννηθήκατε, πόσο θα ζούσατε.Μια παρόμοια εμπειρία είναι δυνατή για τους χημικούς μπαταριών που χρησιμοποιούν νέα υπολογιστικά μοντέλα για να υπολογίσουν τη διάρκεια ζωής της μπαταρίας με βάση μόνο έναν κύκλο πειραματικών δεδομένων.

Σε μια νέα μελέτη, ερευνητές στο Εθνικό Εργαστήριο Argonne του Υπουργείου Ενέργειας των ΗΠΑ (DOE) στράφηκαν στη δύναμη της μηχανικής μάθησης για να προβλέψουν τη διάρκεια ζωής ενός ευρέος φάσματος διαφορετικών χημικών μπαταριών.Χρησιμοποιώντας πειραματικά δεδομένα που συγκεντρώθηκαν στο Argonne από ένα σύνολο 300 μπαταριών που αντιπροσωπεύουν έξι διαφορετικές χημικές χημικές μπαταρίες, οι επιστήμονες μπορούν να προσδιορίσουν με ακρίβεια πόσο χρόνο θα συνεχίσουν να κυκλώνουν διαφορετικές μπαταρίες.

Οι ερευνητές του Argonne έχουν χρησιμοποιήσει μοντέλα μηχανικής μάθησης για να κάνουν προβλέψεις για τη διάρκεια ζωής του κύκλου της μπαταρίας για ένα ευρύ φάσμα διαφορετικών χημικών στοιχείων.(Εικόνα από Shutterstock/Sealstep.)

Σε έναν αλγόριθμο μηχανικής μάθησης, οι επιστήμονες εκπαιδεύουν ένα πρόγραμμα υπολογιστή για να εξάγει συμπεράσματα σε ένα αρχικό σύνολο δεδομένων και στη συνέχεια λαμβάνουν ό,τι έχει μάθει από αυτή την εκπαίδευση για να λάβουν αποφάσεις για ένα άλλο σύνολο δεδομένων.

«Για κάθε διαφορετικό είδος εφαρμογής μπαταρίας, από κινητά τηλέφωνα έως ηλεκτρικά οχήματα έως αποθήκευση δικτύου, η διάρκεια ζωής της μπαταρίας είναι θεμελιώδους σημασίας για κάθε καταναλωτή», δήλωσε ο υπολογιστής Argonne, Noah Paulson, συγγραφέας της μελέτης.​"Το να χρειαστεί να ανακυκλώσετε μια μπαταρία χιλιάδες φορές μέχρι να αποτύχει μπορεί να διαρκέσει χρόνια.Η μέθοδός μας δημιουργεί ένα είδος υπολογιστικής κουζίνας δοκιμών όπου μπορούμε να διαπιστώσουμε γρήγορα την απόδοση των διαφορετικών μπαταριών».

"Αυτή τη στιγμή, ο μόνος τρόπος για να αξιολογήσουμε πώς εξασθενεί η χωρητικότητα μιας μπαταρίας είναι να κυκλώσετε πραγματικά την μπαταρία", πρόσθεσε η ηλεκτροχημικός Argonne Susan ​"Sue" Babinec, άλλη συγγραφέας της μελέτης.​"Είναι πολύ ακριβό και παίρνει πολύ χρόνο."

Σύμφωνα με τον Paulson, η διαδικασία καθορισμού της διάρκειας ζωής της μπαταρίας μπορεί να είναι δύσκολη.​"Η πραγματικότητα είναι ότι οι μπαταρίες δεν διαρκούν για πάντα και το πόσο διαρκούν εξαρτάται από τον τρόπο που τις χρησιμοποιούμε, καθώς και από το σχεδιασμό και τη χημεία τους", είπε.​"Μέχρι τώρα, δεν υπήρχε πραγματικά καλός τρόπος για να γνωρίζουμε πόσο καιρό θα διαρκέσει μια μπαταρία.Οι άνθρωποι θα θέλουν να μάθουν πόσο καιρό έχουν μέχρι να ξοδέψουν χρήματα για μια νέα μπαταρία».

Μια μοναδική πτυχή της μελέτης είναι ότι βασίστηκε σε εκτεταμένη πειραματική εργασία που έγινε στο Argonne σε μια ποικιλία υλικών καθόδου μπαταρίας, ειδικά στην κατοχυρωμένη με δίπλωμα ευρεσιτεχνίας κάθοδο με βάση το νικέλιο-μαγγάνιο-κοβάλτιο (NMC) της Argonne.​"Είχαμε μπαταρίες που αντιπροσώπευαν διαφορετικές χημικές ουσίες, που είχαν διαφορετικούς τρόπους με τους οποίους θα υποβαθμίζονταν και θα αστοχούσαν", είπε ο Paulson.​"Η αξία αυτής της μελέτης είναι ότι μας έδωσε σήματα που είναι χαρακτηριστικά για το πώς αποδίδουν διαφορετικές μπαταρίες."

Περαιτέρω μελέτη σε αυτόν τον τομέα έχει τη δυνατότητα να καθοδηγήσει το μέλλον των μπαταριών ιόντων λιθίου, είπε ο Paulson.​"Ένα από τα πράγματα που μπορούμε να κάνουμε είναι να εκπαιδεύσουμε τον αλγόριθμο σε μια γνωστή χημεία και να τον βάζουμε να κάνει προβλέψεις για μια άγνωστη χημεία", είπε.​"Ουσιαστικά, ο αλγόριθμος μπορεί να μας βοηθήσει να δείξουμε την κατεύθυνση νέων και βελτιωμένων χημικών ουσιών που προσφέρουν μεγαλύτερη διάρκεια ζωής."

Με αυτόν τον τρόπο, ο Paulson πιστεύει ότι ο αλγόριθμος μηχανικής μάθησης θα μπορούσε να επιταχύνει την ανάπτυξη και τη δοκιμή υλικών μπαταριών.​"Ας πούμε ότι έχετε ένα νέο υλικό και το κυκλώνετε μερικές φορές.Θα μπορούσατε να χρησιμοποιήσετε τον αλγόριθμό μας για να προβλέψετε τη μακροζωία του και στη συνέχεια να λάβετε αποφάσεις για το αν θέλετε να συνεχίσετε να το κυκλώνετε πειραματικά ή όχι».

"Εάν είστε ερευνητής σε ένα εργαστήριο, μπορείτε να ανακαλύψετε και να δοκιμάσετε πολλά περισσότερα υλικά σε συντομότερο χρόνο, επειδή έχετε έναν πιο γρήγορο τρόπο να τα αξιολογήσετε", πρόσθεσε ο Babinec.

Ένα έγγραφο που βασίζεται στη μελέτη, ​"Η μηχανική δυνατοτήτων για μηχανική εκμάθηση επέτρεψε την έγκαιρη πρόβλεψη της διάρκειας ζωής της μπαταρίας», εμφανίστηκε στην ηλεκτρονική έκδοση του Journal of Power Sources στις 25 Φεβρουαρίου.

Εκτός από τον Paulson και τον Babinec, άλλοι συγγραφείς της εργασίας περιλαμβάνουν τους Joseph Kubal του Argonne, Logan Ward, Saurabh Saxena και Wenquan Lu.

Η μελέτη χρηματοδοτήθηκε από μια επιχορήγηση που κατευθύνεται από το εργαστήριο Argonne για Έρευνα και Ανάπτυξη (LDRD).