Nauwkeurige Batterij Levensduur Voorspelling met AI – DOE Argonne Studie

In een nieuwe studie hebben onderzoekers aan het U.S. Department of Energy's (DOE) Argonne National Laboratory een machine learning-aanpak gekozen om de levensduur van een breed scala aan verschillende batterijchemieën te voorspellen. Door experimentele data verzameld bij Argonne van een set van 300 batterijen die zes verschillende batterijchemieën vertegenwoordigen te gebruiken, kunnen de wetenschappers nauwkeurig bepalen hoe lang verschillende batterijen zullen blijven cyclussen.

In een machine learning algoritme trainen wetenschappers een computerprogramma om inferenties te maken op een initiële set bekende data die erin gevoerd wordt, en nemen dan wat het daaruit geleerd heeft om beslissingen te nemen over een verse set onbekende data.

'Voor elk ander soort batterijtoepassing, van mobile telefoons tot elektrische voertuigen tot netopslag, is batterijlevensduur van fundamenteel belang,' zei Argonne computationeel wetenschapper Noah Paulson, een auteur van de studie. 'Het moeten cyclussen van een batterij duizenden keren totdat het faalt kan jaren duren; onze methode creëert een soort computationele testkeuken waar we snel kunnen vaststellen hoe verschillende batterijen zullen presteren.'

'Op dit moment is de enigste manier om te evalueren hoe de capaciteit in een batterij aftakt, daadwerkelijk de batterij te cyclussen,' voegde Argonne electrochemicus Susan 'Sue' Babinec, een andere auteur van de studie, toe. 'Het is erg duur en duurt lang.'

Volgens Paulson kan het proces van het vaststellen van een batterijlevensduur lastig zijn. 'De realiteit is dat batterijen niet voor altijd duren, en hoe lang ze duren hangt af van de manier waarop we ze gebruiken, alsook hun ontwerp en hun chemie,' zei hij. 'Tot nu toe is er echt geen goede manier geweest om te weten hoe lang een batterij gaat duren. Mensen willen weten hoeveel tijd ze hebben voordat ze geld moeten uitgeven aan een nieuwe batterij.'

Een uniek aspect van de studie is dat het steunde op uitgebreid experimenteel werk gedaan bij Argonne op een verscheidenheid aan batterijkathodematerialen, met name Argonne's gepatenteerde nikkel-mangaan-kobalt (NMC)-gebaseerde kathode. 'We hadden batterijen die verschillende chemieën vertegenwoordigen, die verschillende manieren hebben waarop ze degraderen en falen,' zei Paulson. 'De waarde van deze studie is dat het ons signalen gaf die kenmerkend zijn voor hoe verschillende batterijen presteren.'

Vervolgonderzoek in dit gebied heeft het potentieel om de toekomst van lithium-ion batterijen te sturen, zei Paulson. 'Eén van de dingen die we kunnen doen is het algoritme trainen op een bekende chemie en het voorspellingen laten maken op een onbekende chemie,' zei hij. 'Essentieel kan het algoritme ons helpen in de richting van nieuwe en verbeterde chemieën wijzen die langere levensduur bieden.'

Op deze manier gelooft Paulson dat het machine learning algoritme de ontwikkeling en test van batterijmaterialen kan versnellen. 'Stel je hebt een nieuw materiaal, en je cyclust het een paar keer. Je kunt ons algoritme gebruiken om de levensduur te voorspellen, en dan beslissingen nemen over of u wilt doorgaan met experimenteel cyclussen of niet.'

'Als je een onderzoeker in een lab bent, kun je veel meer materialen in kortere tijd ontdekken en testen omdat je een snellere manier hebt om ze te evalueren,' voegde Babinec toe.

Een paper gebaseerd op de studie, 'Feature engineering for machine learning enabled early prediction of battery lifetime,' verscheen in de online editie van 25 februari van het Journal of Power