Įsivaizduokite ekstrasensą, kuris jūsų gimimo dieną pasakytų jūsų tėvams, kiek ilgai gyvensite.Panaši patirtis yra įmanoma ir baterijų chemikams, kurie naudoja naujus skaičiavimo modelius, kad apskaičiuotų baterijos veikimo laiką, remdamiesi tik vienu eksperimentinių duomenų ciklu.

Naujame tyrime JAV Energetikos departamento (DOE) Argonne nacionalinės laboratorijos mokslininkai pasinaudojo mašininio mokymosi galia, kad galėtų numatyti įvairių skirtingų akumuliatorių cheminių medžiagų naudojimo trukmę.Naudodami eksperimentinius duomenis, surinktus Argonne iš 300 baterijų rinkinio, atspindinčių šešias skirtingas akumuliatorių chemines savybes, mokslininkai gali tiksliai nustatyti, kiek laiko tęsis skirtingų baterijų ciklas.

Argonne mokslininkai naudojo mašininio mokymosi modelius, kad prognozuotų baterijos veikimo laiką įvairioms cheminėms medžiagoms.(Vaizdas Shutterstock / Sealstep.)

Taikydami mašininio mokymosi algoritmą, mokslininkai apmoko kompiuterinę programą, kad ji padarytų išvadas apie pradinį duomenų rinkinį, o tada, remdamasi tuo, ką ji išmoko, priima sprendimus dėl kito duomenų rinkinio.

„Kiekvieno tipo akumuliatoriaus naudojimo atveju, nuo mobiliųjų telefonų iki elektrinių transporto priemonių iki tinklo saugojimo, akumuliatoriaus veikimo laikas yra labai svarbus kiekvienam vartotojui“, - sakė Argonne skaičiavimo mokslininkas Noah Paulson, tyrimo autorius.„Tūkstančius kartų perkrauti akumuliatorių, kol jis sugenda, gali užtrukti ne vienerius metus;mūsų metodas sukuria tam tikrą skaičiavimo bandymo virtuvę, kurioje galime greitai nustatyti, kaip veiks įvairios baterijos.

„Šiuo metu vienintelis būdas įvertinti, kaip mažėja akumuliatoriaus talpa, yra iš tikrųjų paleisti akumuliatorių“, – pridūrė Argonne elektrochemikė Susan „Sue“ Babinec, kita tyrimo autorė.„Tai labai brangu ir užtrunka ilgai.

Pasak Paulsono, baterijos veikimo trukmės nustatymo procesas gali būti sudėtingas.„Tikrovė tokia, kad baterijos tarnauja ne amžinai, o jų tarnavimo laikas priklauso nuo to, kaip jas naudojame, taip pat nuo jų dizaino ir cheminės sudėties“, – sakė jis.„Iki šiol tikrai nebuvo puikaus būdo sužinoti, kiek laiko veiks baterija.Žmonės norės žinoti, kiek laiko jie turės, kol turės išleisti pinigų naujai baterijai.

Vienas iš unikalių tyrimo aspektų yra tai, kad jis rėmėsi plačiu eksperimentiniu darbu, atliktu Argonne su įvairiomis baterijų katodo medžiagomis, ypač Argonne patentuotu nikelio-mangano-kobalto (NMC) katodu.„Turėjome baterijas, kurios atstovauja skirtingoms cheminėms medžiagoms, kurios skirtingai suyra ir sugenda“, - sakė Paulsonas.„Šio tyrimo vertė yra ta, kad jis davė mums signalus, būdingus skirtingų baterijų veikimui.

Tolesnis šios srities tyrimas gali padėti ateityje sukurti ličio jonų baterijas, sakė Paulsonas.„Vienas iš dalykų, kuriuos galime padaryti, yra išmokyti algoritmą pagal žinomą chemiją ir priversti jį numatyti nežinomą chemiją“, - sakė jis.„Iš esmės šis algoritmas gali padėti mums nukreipti naujų ir patobulintų cheminių medžiagų, kurios užtikrina ilgesnį tarnavimo laiką, kryptį.

Tokiu būdu Paulsonas mano, kad mašininio mokymosi algoritmas galėtų paspartinti baterijų medžiagų kūrimą ir testavimą.„Pasakykite, kad turite naują medžiagą ir kelis kartus ją perkeliate.Galite naudoti mūsų algoritmą, kad prognozuotumėte jo ilgaamžiškumą, o tada nuspręstumėte, ar norite toliau eksperimentuoti, ar ne.

„Jei esate tyrėjas laboratorijoje, per trumpesnį laiką galite atrasti ir išbandyti daug daugiau medžiagų, nes turite greitesnį būdą jas įvertinti“, – pridūrė Babinecas.

Straipsnis, pagrįstas tyrimu, "Mašininio mokymosi funkcijų inžinerija leido anksti numatyti akumuliatoriaus veikimo laiką“, pasirodė vasario 25 d. internetiniame „Journal of Power Sources“ leidime.

Be Paulsono ir Babineco, kiti šio straipsnio autoriai yra Argonne's Josephas Kubalas, Loganas Wardas, Saurabhas Saxena ir Wenquanas Lu.

Tyrimas buvo finansuojamas Argonne Laboratory-Directed Research and Development (LDRD) dotacijos lėšomis.