Φανταστείτε ένα μέντιουμ να λέει στους γονείς σας, την ημέρα που γεννηθήκατε, πόσο θα ζήσετε. Μια παρόμοια εμπειρία είναι εφικτή και για τους χημικούς μπαταριών που χρησιμοποιούν νέα υπολογιστικά μοντέλα για να υπολογίσουν τη διάρκεια ζωής των μπαταριών με βάση μόλις 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 συστατικών μπαταριών. Χρησιμοποιώντας πειραματικά δεδομένα που συλλέχθηκαν στο Argonne από ένα σύνολο 300 μπαταριών που αντιπροσωπεύουν έξι διαφορετικές χημικές ουσίες μπαταριών, οι επιστήμονες μπορούν να προσδιορίσουν με ακρίβεια πόσο καιρό θα συνεχίσουν να λειτουργούν διαφορετικές μπαταρίες.

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

Σε έναν αλγόριθμο μηχανικής μάθησης, οι επιστήμονες εκπαιδεύουν ένα πρόγραμμα υπολογιστή ώστε να εξάγει συμπεράσματα σε ένα αρχικό σύνολο δεδομένων και στη συνέχεια να χρησιμοποιεί αυτά που έχει μάθει από αυτήν την εκπαίδευση για να λαμβάνει αποφάσεις σε ένα άλλο σύνολο δεδομένων.

«Για κάθε διαφορετικό είδος εφαρμογής μπαταρίας, από κινητά τηλέφωνα έως ηλεκτρικά οχήματα και αποθήκευση στο δίκτυο, η διάρκεια ζωής της μπαταρίας είναι θεμελιώδους σημασίας για κάθε καταναλωτή», δήλωσε ο Noah Paulson, επιστήμονας υπολογιστών από το Argonne, συγγραφέας της μελέτης. «Το να χρειάζεται να επαναφορτίζουμε μια μπαταρία χιλιάδες φορές μέχρι να χαλάσει μπορεί να διαρκέσει χρόνια. Η μέθοδός μας δημιουργεί ένα είδος υπολογιστικής δοκιμαστικής κουζίνας όπου μπορούμε να διαπιστώσουμε γρήγορα πώς θα αποδίδουν διαφορετικές μπαταρίες».

«Αυτή τη στιγμή, ο μόνος τρόπος για να αξιολογήσουμε πώς μειώνεται η χωρητικότητα μιας μπαταρίας είναι να την επαναφέρουμε σε λειτουργία», πρόσθεσε η ηλεκτροχημικός Susan «Sue» Babinec, μια άλλη συγγραφέας της μελέτης. «Είναι πολύ ακριβό και χρειάζεται πολύς χρόνος».

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 η διάρκειά τους εξαρτάται από τον τρόπο που τις χρησιμοποιούμε, καθώς και από τον σχεδιασμό και τη χημεία τους», είπε. «Μέχρι τώρα, δεν υπήρχε πραγματικά ένας πολύ καλός τρόπος για να γνωρίζουμε πόσο θα διαρκέσει μια μπαταρία. Οι άνθρωποι θα θέλουν να μάθουν πόσο καιρό έχουν μέχρι να χρειαστεί 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 αποτύγχαναν», δήλωσε ο Paulson. «Η αξία αυτής της μελέτης είναι ότι μας έδωσε σήματα που είναι χαρακτηριστικά του τρόπου με τον οποίο αποδίδουν διαφορετικές μπαταρίες».

Περαιτέρω μελέτη σε αυτόν τον τομέα έχει τη δυνατότητα να καθοδηγήσει το μέλλον των μπαταριών ιόντων λιθίου, δήλωσε ο Paulson. «Ένα από τα πράγματα που μπορούμε να κάνουμε είναι να εκπαιδεύσουμε τον αλγόριθμο σε μια γνωστή χημεία και να τον κάνουμε να κάνει προβλέψεις για μια άγνωστη χημεία», είπε. «Ουσιαστικά, ο αλγόριθμος μπορεί να μας βοηθήσει να κατευθύνουμε προς νέες και βελτιωμένες χημικές ενώσεις που προσφέρουν μεγαλύτερη διάρκεια ζωής».

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

«Αν είσαι ερευνητής σε ένα εργαστήριο, μπορείς να ανακαλύψεις και να δοκιμάσεις πολύ περισσότερα υλικά σε μικρότερο χρονικό διάστημα, επειδή έχεις έναν πιο γρήγορο τρόπο να τα αξιολογήσεις», πρόσθεσε ο Babinec.

Μια εργασία βασισμένη στη μελέτη, ​"Η μηχανική χαρακτηριστικών για την έγκαιρη πρόβλεψη της διάρκειας ζωής της μπαταρίας επέτρεψε τη μηχανική μάθηση», δημοσιεύτηκε στην ηλεκτρονική έκδοση του Journal of Power Sources στις 25 Φεβρουαρίου.

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

Η μελέτη χρηματοδοτήθηκε από επιχορήγηση έρευνας και ανάπτυξης με κατεύθυνση το εργαστήριο Argonne (LDRD).