Машинное обучение может сократить затраты на тестирование литий-ионных аккумуляторов • –

Ученые разработали метод машинного обучения, который может значительно сократить затраты и энергию, необходимые для разработки новых литий-ионных батарей, от которых современный мир становится все более зависимым.

Прогнозирование срока службы новой конструкции батареи – и ее инженерных применений – является основным узким местом отрасли. Грубое тестирование прототипов путем многократной зарядки и разрядки до тех пор, пока они не достигнут порога окончания срока службы, может занять месяцы или даже годы, потребляя огромное количество электроэнергии с огромными затратами.

Одно исследование По оценкам, нынешние и будущие конструкции литиевых батарей могут потребовать 130 000 ГВтч энергии с 2023 по 2040 год, если в процесс разработки не будут внесены изменения. Это примерно половина годового производства электроэнергии в Калифорнии (278 338 ГВтч).

Исследование, опубликованное на этой неделе в научном журнале Nature, описывает новый подход к машинному обучению при разработке аккумуляторов, который, по утверждению авторов, может сэкономить 98 процентов времени и 95 процентов затрат по сравнению с традиционными методами.

Это демонстрирует «большой потенциал для решения ключевого узкого места в разработке аккумуляторов», — заявил в сопроводительной статье доцент Университета Коннектикута Чао Ху.

Процесс, разработанный постдокторантом Мичиганского университета Цзявэй Чжаном и его командой, объединил итеративные элементы для сокращения объема данных, необходимых для получения точных прогнозов.

Так называемая платформа Discovery Learning основана на исследовании 2019 года, которое показало, что модель машинного обучения, использующая ранние данные испытаний прототипов батарей, может использоваться для прогнозирования срока службы батарей со средней ошибкой менее 15 процентов на тестовых наборах, что считается очень точным.

Чжан и его коллеги разделили предыдущий метод на три отдельных элемента. Модуль обучающегося выбирает прототипы новых конструкций, которые могут предоставить полезные данные для повышения точности прогнозирования. После раннего тестирования этих прототипов модуль Interpreter использует модели физических свойств для анализа этих данных вместе с историческими данными о полном сроке службы существующих батарей. Наконец, модуль Oracle использует эти выходные данные для прогнозирования срока службы недавно протестированных прототипов. Важно отметить, что эта информация затем передается обратно в модуль Learner для выбора следующего набора прототипов для физического тестирования.

«Ключевым нововведением модели Discovery Learning является то, что она обновляется, используя время жизни, предсказанное Oracle, а не экспериментально измеренное время жизни, что позволяет избежать необходимости трудоемкого тестирования батареи на полный срок службы», — сказал Ху.

Однако он отмечает, что остается неясным, насколько хорошо система Discovery Learning будет работать, когда конструкция новой батареи существенно отличается от тех батарей, которые доступны для предоставления обучающих данных.

«В более широком смысле, прежде чем эту структуру можно будет принять для общего использования, необходима дальнейшая проверка, чтобы увидеть, насколько хорошо она выдерживает аккумуляторы, используемые в реальных условиях, например, при переменных температурах и при различных электрических нагрузках», — сказал Ху.

Тем не менее, учитывая текущую глобальную стоимость аккумуляторов для электромобилей, ноутбуков и ряда других приложений, которая оценивается в 120 миллиардов долларов США и, как ожидается, вырастет до почти 500 миллиардов долларов в 2030 году – даже небольшая экономия затрат на разработку может изменить ситуацию. ®