Forestil dig en clairvoyant, der fortæller dine forældre, den dag du bliver født, hvor længe du vil 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 benyttet maskinlæringskraft til at forudsige levetiden for en bred vifte af forskellige batterikemiske forbindelser. Ved at bruge eksperimentelle data indsamlet på Argonne fra et sæt på 300 batterier, der repræsenterer seks forskellige batterikemiske forbindelser, kan forskerne præcist bestemme, hvor længe forskellige batterier vil fortsætte med at fungere i en battericyklus.

Argonne-forskere har brugt maskinlæringsmodeller til at lave forudsigelser af batterilevetiden for en bred vifte af forskellige kemiske forbindelser. (Billede af Shutterstock/Sealstep.)

I en maskinlæringsalgoritme træner forskere et computerprogram til at drage slutninger på baggrund af et indledende datasæt og derefter bruge det, det har lært fra denne træning, til at træffe beslutninger på baggrund af et andet datasæt.

"For alle typer batteriapplikationer, fra mobiltelefoner til elbiler til elnetlagring, er batteriets levetid af fundamental betydning for enhver forbruger," sagde Argonnes beregningsforsker Noah Paulson, en af ​​forfatterne til undersøgelsen. "Det kan tage år at skulle cykle et batteri tusindvis af gange, indtil det svigter; vores metode skaber en slags beregningsmæssigt testkøkken, hvor vi hurtigt kan fastslå, hvordan forskellige batterier vil yde."

"Lige nu er den eneste måde at vurdere, hvordan kapaciteten i et batteri falder, rent faktisk at genoplade 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 fastslå et batteris levetid være vanskelig. "Realiteten er, at batterier ikke holder evigt, og hvor længe de holder afhænger af den måde, vi bruger dem på, samt deres design og deres kemi," sagde han. "Indtil nu har der ikke rigtig været en god måde at vide, hvor længe et batteri holder. Folk vil gerne vide, hvor lang tid de har, før de skal bruge penge på et nyt batteri."

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

Yderligere undersøgelser på dette område har potentiale til at vejlede 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 lave forudsigelser på en ukendt kemi," sagde han. "I bund og grund kan algoritmen hjælpe os med at pege i retning af nye og forbedrede kemier, der tilbyder længere levetider."

På denne måde mener Paulson, at maskinlæringsalgoritmen kan accelerere udviklingen og testningen af ​​batterimaterialer. "Lad os sige, at du har et nyt materiale, og du genbruger det et par gange. Du kan bruge vores algoritme til at forudsige dets levetid og derefter træffe beslutninger om, hvorvidt du vil fortsætte med at genbruge det 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.

En artikel baseret på undersøgelsen, ​"Funktionsudvikling til maskinlæring muliggjorde tidlig forudsigelse af batteriets levetid,” blev offentliggjort i onlineudgaven af ​​Journal of Power Sources den 25. februar.

Udover Paulson og Babinec inkluderer andre forfattere af artiklen Argonnes Joseph Kubal, Logan Ward, Saurabh Saxena og Wenquan Lu.

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