Voorspel de levensduur van de batterij met machine learning

In een nieuwe studie hebben onderzoekers van het Argonne National Laboratory van het Amerikaanse Department of Energy (DOE) zich tot machine learning gewend om de levensduur van een breed scala aan verschillende batterijchemie te voorspellen. Door experimentele gegevens te gebruiken die zijn verzameld in Argonne van een set van 300 batterijen die zes verschillende batterijchemie vertegenwoordigen, kunnen de wetenschappers nauwkeurig bepalen hoe lang verschillende batterijen zullen blijven fietsen.

In een machine learning-algoritme trainen wetenschappers een computerprogramma om conclusies te trekken over een eerste reeks bekende gegevens die eraan worden ingevoerd, en nemen vervolgens wat het van die training heeft geleerd om beslissingen te nemen over een nieuwe reeks onbekende gegevens.

"Voor elk ander soort batterijtoepassing, van mobiele telefoons tot elektrische voertuigen tot netopslag, is de levensduur van de batterij van fundamenteel belang", zegt Argonne, computerwetenschapper Noah Paulson, een auteur van het onderzoek. “Het kan jaren duren om een ​​batterij duizenden keren te laten fietsen tot hij defect raakt; onze methode creëert een soort computationele testkeuken waar we snel kunnen vaststellen hoe verschillende batterijen gaan presteren.”

"Op dit moment is de enige manier om te evalueren hoe de capaciteit van een batterij afneemt, de batterij daadwerkelijk te laten fietsen", voegde Argonne-elektrochemicus Susan "Sue" Babinec toe, een andere auteur van het onderzoek. ​“Het is erg duur en het duurt lang.”

Volgens Paulson kan het proces van het vaststellen van een levensduur van de batterij lastig zijn. "De realiteit is dat batterijen niet eeuwig meegaan, en hoe lang ze meegaan, hangt af van de manier waarop we ze gebruiken, evenals van hun ontwerp en hun chemie", zei hij. “Tot nu toe was er echt geen goede manier om te weten hoe lang een batterij meegaat. Mensen zullen willen weten hoe lang ze nog hebben voordat ze geld moeten uitgeven aan een nieuwe batterij.”

Een uniek aspect van het onderzoek is dat het steunde op uitgebreid experimenteel werk dat in Argonne is gedaan met een verscheidenheid aan batterijkathodematerialen, met name Argonne's gepatenteerde op nikkel-mangaan-kobalt (NMC) gebaseerde kathode. "We hadden batterijen die verschillende chemie vertegenwoordigden, die verschillende manieren hebben waarop ze zouden degraderen en falen", zei Paulson. ​“De waarde van dit onderzoek is dat het ons signalen heeft gegeven die kenmerkend zijn voor hoe verschillende batterijen presteren.”

Verder onderzoek op dit gebied heeft het potentieel om de toekomst van lithium-ionbatterijen te sturen, zei Paulson. "Een van de dingen die we kunnen doen, is het algoritme trainen op een bekende chemie en het voorspellingen laten doen over een onbekende chemie," zei hij. "In wezen kan het algoritme ons helpen in de richting te wijzen van nieuwe en verbeterde chemicaliën die een langere levensduur bieden."

Op deze manier gelooft Paulson dat het machine learning-algoritme de ontwikkeling en het testen van batterijmaterialen kan versnellen. “Stel dat je een nieuw materiaal hebt, en je fietst er een paar keer op. Je zou ons algoritme kunnen gebruiken om de levensduur te voorspellen en vervolgens besluiten of je het experimenteel wilt blijven fietsen of niet."

"Als je een onderzoeker in een laboratorium bent, kun je in kortere tijd veel meer materialen ontdekken en testen, omdat je ze op een snellere manier kunt evalueren", voegde Babinec eraan toe.

Een paper gebaseerd op het onderzoek, ​"Feature engineering for machine learning maakte vroege voorspelling van de levensduur van de batterij mogelijk", verscheen in de online editie van 25 februari van het Journal of Power