Forestil dig en synsk, der fortæller dine forældre, den dag du blev født, hvor længe du ville leve.En lignende oplevelse er mulig for batterikemikere, der bruger nye beregningsmodeller til at beregne batterilevetider baseret på så lidt som en enkelt cyklus af eksperimentelle data.

I en ny undersøgelse har forskere ved det amerikanske energiministeriums (DOE) Argonne National Laboratory vendt sig til kraften ved maskinlæring for at forudsige levetiden for en lang række forskellige batterikemier.Ved at bruge eksperimentelle data indsamlet ved Argonne fra et sæt på 300 batterier, der repræsenterer seks forskellige batterikemier, kan forskerne præcist bestemme, hvor længe forskellige batterier vil fortsætte med at cykle.

Argonne-forskere har brugt maskinlæringsmodeller til at forudsige batterilevetiden for en lang række forskellige kemier.(Billede af Shutterstock/Sealstep.)

I en maskinlæringsalgoritme træner videnskabsmænd et computerprogram til at drage slutninger om et indledende sæt data og derefter tage det, det har lært fra den træning, for at træffe beslutninger om et andet sæt data.

"For alle forskellige slags batteriapplikationer, fra mobiltelefoner til elektriske køretøjer til netlagring, er batterilevetiden af ​​fundamental betydning for enhver forbruger," sagde Argonne computerforsker Noah Paulson, en forfatter til undersøgelsen."At skulle cykle et batteri tusindvis af gange, indtil det svigter, kan tage år;vores metode skaber en slags computertestkøkken, hvor vi hurtigt kan fastslå, hvordan forskellige batterier kommer til at yde.”

"Lige nu er den eneste måde at evaluere, hvordan kapaciteten i et batteri falmer, ved faktisk at cykle batteriet," tilføjede Argonne elektrokemiker Susan "Sue" Babinec, en anden forfatter af undersøgelsen."Det er meget dyrt, og det tager lang tid."

Ifølge Paulson kan processen med at etablere en batterilevetid være vanskelig."Virkeligheden er, at batterier ikke holder evigt, og hvor længe de holder afhænger af den måde, vi bruger dem på, såvel som deres design og deres kemi," sagde han."Indtil nu har der virkelig ikke været en god måde at vide, hvor længe et batteri vil vare.Folk vil gerne vide, hvor lang tid de har, før de skal bruge penge på et nyt batteri."

Et unikt aspekt af undersøgelsen er, at den var afhængig af omfattende eksperimentelt arbejde udført ved Argonne på en række batterikatodematerialer, især Argonnes patenterede nikkel-mangan-kobolt (NMC)-baserede katode."Vi havde batterier, der repræsenterede forskellige kemier, som har forskellige måder, hvorpå de ville nedbrydes og svigte," sagde Paulson."Værdien af ​​denne undersøgelse er, at den gav os signaler, der er karakteristiske for, hvordan forskellige batterier yder."

Yderligere undersøgelser på dette område har potentialet til at guide fremtiden for lithium-ion-batterier, sagde Paulson."En af de ting, vi er i stand til at gøre, er at træne algoritmen på en kendt kemi og få den til at forudsige en ukendt kemi," sagde han."I bund og grund kan algoritmen hjælpe med at pege os i retning af nye og forbedrede kemier, der giver længere levetid."

På denne måde mener Paulson, at maskinlæringsalgoritmen kunne accelerere udviklingen og testningen af ​​batterimaterialer."Sig, at du har et nyt materiale, og du cykler det et par gange.Du kan bruge vores algoritme til at forudsige dens levetid og derefter træffe beslutninger om, hvorvidt du vil fortsætte med at cykle den eksperimentelt eller ej."

"Hvis du er forsker i et laboratorium, kan du opdage og teste mange flere materialer på kortere tid, fordi du har en hurtigere måde at evaluere dem på," tilføjede Babinec.

Et papir baseret på undersøgelsen, "Funktionsteknologi til maskinlæring muliggjorde tidlig forudsigelse af batterilevetid", optrådte i den 25. februar online-udgave af Journal of Power Sources.

Ud over Paulson og Babinec omfatter andre forfattere af papiret Argonnes Joseph Kubal, Logan Ward, Saurabh Saxena og Wenquan Lu.

Undersøgelsen blev finansieret af en Argonne Laboratory-Directed Research and Development (LDRD) bevilling.