Team forudsiger brugstiden for batterier med data og AI

Hvis producenter af mobiltelefonbatterier kunne fortælle, hvilke celler der varer mindst to år, så kunne de kun sælge dem til telefonproducenter og sende resten til producenter af mindre krævende enheder. Ny forskning viser, hvordan producenterne kunne gøre dette. Teknikken kunne bruges ikke kun til at sortere fremstillede celler, men også til at hjælpe nye batteridesign med at nå markedet hurtigere.

Kombination af omfattende eksperimentelle data og kunstig intelligens afslørede nøglen til nøjagtigt at forudsige lithium-ion-batteriers levetid, før deres kapacitet begynder at aftage, forskere ved Stanford University, Massachusetts Institute of Technology og Toyota Research Institute opdaget. Efter at forskerne uddannede deres machine learning -model med et par hundrede millioner datapunkter for batterier, der oplades og aflades, algoritmen forudsagde, hvor mange flere cyklusser hvert batteri ville vare, baseret på spændingsfald og et par andre faktorer blandt de tidlige cyklusser.

Forudsigelserne lå inden for 9 procent af antallet af cyklusser, cellerne rent faktisk varede. Hver for sig, algoritmen kategoriserede batterier som enten lang eller kort levetid baseret på kun de første fem opladnings-/afladningscyklusser. Her, forudsigelserne var korrekte 95 procent af tiden.

Udgivet 25. marts i Naturenergi , denne machine learning -metode kunne fremskynde forskning og udvikling af nye batteridesign og reducere tid og produktionsomkostninger, blandt andre applikationer. Forskerne har gjort datasættet - det største af slagsen - offentligt tilgængeligt.

"Standardmetoden til at teste nye batteridesign er at oplade og aflade cellerne, indtil de fejler. Da batterier har en lang levetid, denne proces kan tage mange måneder og endda år, "sagde medlederforfatter Peter Attia, Stanford -doktorand i materialevidenskab og teknik. "Det er en dyr flaskehals inden for batteriforskning."

Arbejdet blev udført på Center for Datadrevet Design af Batterier, et akademisk-industrielt samarbejde, der integrerer teori, eksperimenter og datavidenskab. Stanford -forskerne, ledet af William Chueh, adjunkt i materialevidenskab og teknik, foretaget batteriforsøg. MITs team, ledet af Richard Braatz, professor i kemiteknik, udført maskinlæringsarbejdet. Kristen Severson, medleder forfatter til forskningen, afsluttede sin doktorgrad i kemiteknik på MIT sidste forår.

Optimering af hurtig opladning

Et fokus i projektet var at finde en bedre måde at oplade batterier på 10 minutter, en funktion, der kunne fremskynde masseadoptionen af ​​elektriske køretøjer. For at generere uddannelsesdatasættet, holdet oplade og afladede batterierne, indtil hver af dem nåede slutningen af ​​sin levetid, som de definerede som kapacitetstab på 20 procent. På vej til optimering af hurtig opladning, forskerne ønskede at finde ud af, om det var nødvendigt at køre deres batterier i jorden. Kan svaret på et batterispørgsmål findes i oplysningerne fra kun de tidlige cyklusser?

"Fremskridt inden for beregningskraft og datagenerering har for nylig gjort maskinlæring i stand til at fremskynde fremskridt for en række forskellige opgaver. Disse omfatter forudsigelse af materialegenskaber, "Braatz sagde." Vores resultater her viser, hvordan vi kan forudsige adfærd for komplekse systemer langt ud i fremtiden. "

Generelt, kapaciteten på et lithium-ion batteri er stabilt i et stykke tid. Derefter tager den en skarp drejning nedad. Landepunktet varierer meget, som de fleste forbrugere fra det 21. århundrede ved. I dette projekt, batterierne varede alt fra 150 til 2, 300 cykler. Denne variation var dels resultatet af afprøvning af forskellige metoder til hurtig opladning, men også på grund af produktionsvariation mellem batterier.

"For al den tid og penge, der bliver brugt på batteriudvikling, fremskridt måles stadig i årtier, "sagde studieforfatter Patrick Herring, en forsker ved Toyota Research Institute. "I dette arbejde, vi reducerer et af de mest tidskrævende trin-batteritest-med en størrelsesorden. "

Mulige anvendelser

Den nye metode har mange potentielle applikationer, Sagde Attia. For eksempel, det kan forkorte tiden til validering af nye batterityper, hvilket er især vigtigt i betragtning af hurtige fremskridt inden for materialer. Med sorteringsteknikken, elektriske bilbatterier bestemt til at have korte levetider - for korte til biler - kunne i stedet bruges til at drive gadebelysning eller sikkerhedskopiere datacentre. Genbrugere kunne finde celler fra brugte EV -batterier med tilstrækkelig kapacitet tilbage til et andet liv.

Endnu en mulighed er optimering af batteriproduktion. "Det sidste trin i fremstillingen af ​​batterier kaldes 'formation, 'som kan tage dage til uger, "Attia sagde." Brug af vores tilgang kunne forkorte det betydeligt og sænke produktionsomkostningerne. "

Forskerne bruger nu deres model til at optimere måder at oplade batterier på bare 10 minutter, som de siger vil reducere processen med mere end en faktor 10.