Datadrevet maskinlæring er den bedste tilgang til avanceret batterimodellering

Efterspørgslen efter elektrificering af transport er opstået i de senere år på grund af stigende bekymring for global opvarmning. Den udbredte anvendelse af elektriske køretøjer vil resultere i reducerede skadelige emissioner og renere luft, blandt andre sociale og økonomiske fordele. Batteriindustrien har brug for softwareløsninger til batteriproducenter for at reducere fremstillings- og udviklingsomkostninger og samtidig forbedre nøglebatterier.

AI låser op for batteriteknologi, der vil drive fremtiden for ren transport, forårsager et skift i bilindustrien. Imidlertid, ladeevne, energitæthed og omkostninger skal forbedres dramatisk. AI har potentialet til at påvirke batteriudviklingen og forstå forholdet mellem data og batteriparametre.

Præstationen, koste, og batteriernes sikkerhed bestemmer den succesfulde udvikling af elektriske køretøjer (EV'er) og pt. Lithium-ion (Li-ion) batterier er det foretrukne valg til elbiler på grund af deres cykluslevetid og rimelige energitæthed.

Imidlertid, yderligere forskning i Li-ion-batterier vil resultere i mere kompliceret batteridynamik, hvor sikkerhed og effektivitet bliver et problem.

Derfor, et avanceret batteristyringssystem, der kan optimere og overvåge sikkerheden, er afgørende for elektrificeringen af ​​køretøjer.

Et samarbejde mellem Dr. Gareth Conduit (Cavendish Laboratory, University of Cambridge og medstifter af Intellegens), Institut for Materialeforskning og Engineering ved A*STAR, og Nanyang Technological University vurderede forskellige maskinlæringstilgange (ML) til hurtig og nøjagtig forudsigelse af batteritilstand. Anmeldelsesartiklen blev publiceret i Nature Machine Intelligence .

Datadrevet maskinlæring til EV-batterioptimering

Maskinlæringsalgoritmer er blevet implementeret til at forudsige helbredstilstand, ladetilstand, og resterende brugstid.

Datadrevne modeller har vakt opmærksomhed i de senere år, og kombineret med maskinlæringsteknikker, disse modeller ser ud til at være mere kraftfulde og i stand til at forudsige uden forudgående viden om systemet og har potentialet til at opnå høj nøjagtighed med lave beregningsomkostninger.

Batterier har flere nøgleparametre, inklusive spænding, temperatur, og forandringstilstand. Batterifejl er forbundet med unormale udsving i disse parametre, Derfor er det afgørende at forudsige dem nøjagtigt for at sikre, at elektriske køretøjer fungerer pålideligt og sikkert over tid.

Når først på plads, prædiktive modeller kan bruges til at standardisere processer, at give alle interessenter adgang til den samme viden og værktøjer, og reducere omkostningerne både i forhold til antallet af eksperimenter, der skal udføres, og optimering af eksperimenter for at minimere behovet for dyre komponenter eller processer.

Dette resulterer i reduceret miljøpåvirkning ved at designe eksperimenter og produkter, der er mindre afhængige af giftige elementer eller processer.

Hvordan ser fremtiden for batteriindustrien ud?

Med de reducerede omkostninger til datalagringsenheder og fremskridt inden for beregningsteknologier, datadrevet maskinlæring ser ud til at være den mest lovende tilgang til avanceret batterimodellering i fremtiden.

Denne tilgang er blevet brugt til at løse mange problemer af høj værdi, og nøglevariablerne for dens succesfulde implementering er både datatilgængelighed og datakvalitet. Alligevel, der har for nylig været en stigning i anvendelsen af ​​maskinlæringsmetoder for at hjælpe med at optimere forskellige aspekter af batteriindustrien.

I begge tilfælde brugen af ​​data fra flere domæner, inklusive data fra eksperimenter, der har mislykkedes, spiller en afgørende rolle i at accelerere og optimere batteridesign, kemi og ledelsessystemer.

Dr. Gareth Conduit (Royal Society University Research Fellow ved University of Cambridge og CTO ved Intellegens) kommenterede

"Vores maskinlæringsteknologi, Alkymit, kan se sammenhænge mellem alle tilgængelige parametre, både input og output, i sparsomme og støjende datasæt. Resultatet er nøjagtige modeller, der kan forudsige manglende værdier, finde fejl og optimere målegenskaber. Kan arbejde med data, der er så lidt som 0,05 % færdige, Alchemite kan opklare dataproblemer, der ikke er tilgængelige for traditionelle maskinlæringstilgange."

Alchemite leverer banebrydende løsninger inden for lægemiddelopdagelse, avancerede materialer, patientanalyse, forudsigelig vedligeholdelse og batterier - gør det muligt for organisationer at bryde igennem flaskehalse i dataanalyse, reducere mængden af ​​tid og penge brugt på forskning, og støtte bedre, hurtigere beslutningstagning.

Indsigten i denne gennemgangsartikel kan have en transformativ effekt på batteriindustrien. Fremhævelse af, hvordan maskinlæring præcist kan forudsige og forbedre et batteris sundhed og levetid, vil gøre det muligt for producenterne at indlejre denne software direkte i deres batterienheder og forbedre deres in-life service for forbrugeren.