Představte si, že by se vašim rodičům v den vašeho narození sdělil věštec, jak dlouho budete žít. Podobnou zkušenost mohou zažít chemici zabývající se bateriemi, kteří používají nové výpočetní modely k výpočtu životnosti baterií na základě pouhého jediného cyklu experimentálních dat.

V nové studii se vědci z Argonne National Laboratory amerického ministerstva energetiky (DOE) obrátili na sílu strojového učení k předpovědi životnosti široké škály různých chemických složení baterií. Využitím experimentálních dat shromážděných v Argonne ze sady 300 baterií představujících šest různých chemických složení mohou vědci přesně určit, jak dlouho se různé baterie budou cyklicky nabíjet.

Výzkumníci z Argonne použili modely strojového učení k předpovědím životnosti baterií pro širokou škálu různých chemických látek. (Obrázek: Shutterstock/Sealstep.)

V algoritmu strojového učení vědci trénují počítačový program, aby vyvozoval závěry na základě počáteční sady dat, a poté na základě získaných informací z tohoto tréninku činí rozhodnutí na základě jiné sady dat.

„Pro každý jiný druh použití baterií, od mobilních telefonů přes elektromobily až po úložiště energie v síti, má životnost baterie zásadní význam pro každého spotřebitele,“ řekl Noah Paulson, počítačový vědec z Argonne a autor studie. „Nutnost tisíckrát cyklovat baterii, dokud se nevybije, může trvat roky; naše metoda vytváří jakousi výpočetní testovací kuchyň, kde můžeme rychle zjistit, jak si různé baterie povedou.“

„V současné době je jediným způsobem, jak vyhodnotit, jak kapacita baterie klesá, skutečně ji cyklicky vybít,“ dodala elektrochemička z Argonne Susan ​„Sue“ Babinec, další autorka studie. ​„Je to velmi drahé a trvá to dlouho.“

Podle Paulsona může být proces stanovení životnosti baterie složitý. „Realita je taková, že baterie nevydrží věčně a jejich životnost závisí na způsobu, jakým je používáme, a také na jejich konstrukci a chemickém složení,“ řekl. „Doposud neexistoval žádný spolehlivý způsob, jak zjistit, jak dlouho baterie vydrží. Lidé budou chtít vědět, jak dlouho jim zbývá, než budou muset utratit peníze za novou baterii.“

Jedním z unikátních aspektů studie je, že se opírala o rozsáhlou experimentální práci provedenou v Argonne na různých materiálech katod baterií, zejména na patentované katodě na bázi niklu, manganu a kobaltu (NMC) společnosti Argonne. „Měli jsme baterie s různým chemickým složením, které se různými způsoby degradovaly a selhávaly,“ řekl Paulson. „Hodnota této studie spočívá v tom, že nám poskytla signály, které jsou charakteristické pro to, jak různé baterie fungují.“

Další studium v ​​této oblasti má potenciál usměrnit budoucnost lithium-iontových baterií, uvedl Paulson. „Jednou z věcí, které můžeme udělat, je trénovat algoritmus na známém chemickém složení a nechat ho předpovídat na neznámém,“ řekl. „V podstatě nám algoritmus může pomoci nasměrovat směr k novým a vylepšeným chemickým složení, která nabízejí delší životnost.“

Paulson se domnívá, že algoritmus strojového učení by tímto způsobem mohl urychlit vývoj a testování materiálů pro baterie. „Řekněme, že máte nový materiál a několikrát ho cyklujete. Náš algoritmus byste mohli použít k předpovědi jeho životnosti a poté se rozhodnout, zda chcete v experimentálním cyklování pokračovat, či nikoli.“

„Pokud jste výzkumník v laboratoři, můžete objevit a otestovat mnohem více materiálů za kratší dobu, protože máte rychlejší způsob, jak je vyhodnotit,“ dodal Babinec.

Článek založený na studii, ​“Inženýrství prvků pro strojové učení umožnilo včasnou predikci životnosti baterie„,“ se objevilo v online vydání časopisu Journal of Power Sources z 25. února.

Kromě Paulsona a Babince jsou dalšími autory článku Joseph Kubal z Argonne, Logan Ward, Saurabh Saxena a Wenquan Lu.

Studie byla financována z grantu Argonne Laboratory-Directed Research and Development (LDRD).