Įsivaizduokite aiškiaregį, kuris jūsų gimimo dieną pasako jūsų tėvams, kiek laiko gyvensite. Panašiai gali nutikti ir akumuliatorių chemikams, kurie naudoja naujus skaičiavimo modelius akumuliatorių tarnavimo laikui apskaičiuoti, remdamiesi vos vienu eksperimentinių duomenų ciklu.

Naujame tyrime JAV Energetikos departamento (DOE) Argonne nacionalinės laboratorijos mokslininkai pasitelkė mašininio mokymosi galimybes, kad numatytų įvairių cheminių medžiagų akumuliatorių tarnavimo laiką. Naudodami eksperimentinius duomenis, surinktus Argonne iš 300 akumuliatorių, atstovaujančių šešioms skirtingoms cheminėms medžiagoms, rinkinio, mokslininkai gali tiksliai nustatyti, kiek laiko skirtingos baterijos veiks.

Argonne tyrėjai, naudodami mašininio mokymosi modelius, prognozavo akumuliatorių ciklo trukmę, esant įvairioms cheminėms medžiagoms. (Iliustracija: „Shutterstock“ / „Sealstep“.)

Mašininio mokymosi algoritme mokslininkai apmoko kompiuterinę programą daryti išvadas iš pradinio duomenų rinkinio, o tada, remdamasi tuo, ko išmoko iš šio mokymo, priimti sprendimus dėl kito duomenų rinkinio.

„Kiekvienam akumuliatorių pritaikymui – nuo ​​mobiliųjų telefonų iki elektrinių transporto priemonių ir tinklo kaupimo – akumuliatoriaus veikimo laikas yra nepaprastai svarbus kiekvienam vartotojui“, – teigė tyrimo autorius, Argonne skaičiavimo mokslininkas Noah Paulsonas. „Akumuliatoriaus įkrovimas ir iškrovimas tūkstančius kartų, kol jis sugenda, gali užtrukti metus; mūsų metodas sukuria savotišką skaičiavimo bandymų virtuvę, kurioje galime greitai nustatyti, kaip veiks skirtingos baterijos.“

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

Pasak Paulsono, nustatyti baterijos tarnavimo laiką gali būti keblu. „Realybė tokia, kad baterijos tarnauja ne amžinai, o jų tarnavimo laikas priklauso nuo to, kaip jas naudojame, taip pat nuo jų konstrukcijos ir cheminės sudėties“, – sakė jis. „Iki šiol nebuvo gero būdo sužinoti, kiek laiko tarnaus baterija. Žmonės norės žinoti, kiek laiko jiems liko iki naujos baterijos įsigijimo.“

Vienas unikalus tyrimo aspektas yra tas, kad jis rėmėsi išsamiais eksperimentiniais darbais, atliktais Argonne, naudojant įvairias akumuliatorių katodų medžiagas, ypač Argonne patentuotą nikelio-mangano-kobalto (NMC) pagrindu pagamintą katodą. „Turėjome akumuliatorių, kurie atstovavo skirtingoms cheminėms medžiagoms, kurios skirtingai degraduoja ir genda“, – sakė Paulsonas. „Šio tyrimo vertė yra ta, kad jis pateikė mums signalus, būdingus skirtingų akumuliatorių veikimui.“

Tolesni šios srities tyrimai gali padėti nustatyti ličio jonų akumuliatorių ateitį, sakė Paulsonas. „Vienas iš dalykų, kuriuos galime padaryti, yra apmokyti algoritmą pagal žinomą cheminę sudėtį ir priversti jį daryti prognozes pagal nežinomą cheminę sudėtį“, – sakė jis. „Iš esmės algoritmas gali padėti mums nukreipti mus naujų ir patobulintų cheminių medžiagų, kurios siūlo ilgesnį tarnavimo laiką, link.“

Tokiu būdu, pasak Paulsono, mašininio mokymosi algoritmas galėtų paspartinti akumuliatorių medžiagų kūrimą ir bandymą. „Tarkime, turite naują medžiagą ir ją kelis kartus cikliškai panaudojate. Galite naudoti mūsų algoritmą jos ilgaamžiškumui numatyti ir tada priimti sprendimus, ar norite tęsti eksperimentinį ciklą, ar ne.“

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

Tyrimu pagrįstas straipsnis „Mašininio mokymosi funkcijų inžinerija leido anksti numatyti baterijos veikimo laiką„, – pasirodė vasario 25 d. internetiniame žurnalo „Journal of Power Sources“ leidime.

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

Tyrimą finansavo Argonne laboratorijos vadovaujamų tyrimų ir plėtros (LDRD) dotacija.