Замислете јасновидец да им кажува на вашите родители, на денот кога сте родени, колку долго ќе живеете.Слично искуство е можно за хемичарите на батерии кои користат нови пресметковни модели за да го пресметаат векот на батеријата врз основа на само еден циклус на експериментални податоци.

Во една нова студија, истражувачите од Националната лабораторија Argonne на Министерството за енергетика на САД (DOE) се свртеа кон моќта на машинското учење за да го предвидат животниот век на широк опсег на различни хемикалии на батерии.Со користење на експериментални податоци собрани во Argonne од збир од 300 батерии кои претставуваат шест различни хемикалии на батерии, научниците можат точно да одредат колку долго различни батерии ќе продолжат да кружат.

Истражувачите на Argonne користеле модели за машинско учење за да направат предвидувања за животниот век на батеријата за широк опсег на различни хемикалии.(Слика од Shutterstock/Sealstep.)

Во алгоритам за машинско учење, научниците обучуваат компјутерска програма да прави заклучоци за почетен сет на податоци, а потоа го земаат она што го научиле од таа обука за да донесат одлуки за друг сет на податоци.

„За секој различен вид на примена на батерии, од мобилни телефони до електрични возила до складирање на мрежата, траењето на батеријата е од фундаментално значење за секој потрошувач“, рече компјутерскиот научник Argonne, Ноа Полсон, автор на студијата.​„Да треба да се циклира батеријата илјадници пати додека не успее, може да потрае со години;нашиот метод создава еден вид компјутерска тест кујна каде што можеме брзо да утврдиме како ќе работат различните батерии.

„Во моментов, единствениот начин да се оцени како капацитетот на батеријата избледува е всушност да ја циклирате батеријата“, додаде електрохемичарот од Аргон Сузан ​„Сју“ Бабинец, друг автор на студијата.​„Многу е скапо и потребно е долго време“.

Според Полсон, процесот на воспоставување на траење на батеријата може да биде незгоден.​„Реалноста е дека батериите не траат вечно, и колку долго ќе траат зависи од начинот на кој ги користиме, како и од нивниот дизајн и нивната хемија“, рече тој.​„До сега, навистина не постоеше одличен начин да се знае колку долго ќе трае батеријата.Луѓето ќе сакаат да знаат колку време имаат додека не треба да потрошат пари за нова батерија“.

Еден уникатен аспект на студијата е тоа што се потпираше на обемна експериментална работа направена во Аргон на различни катодни материјали за батерии, особено патентираната катода базирана на никел-манган-кобалт (NMC) на Argonne.​„Имавме батерии што претставуваа различни хемикалии, кои имаат различни начини на кои ќе се деградираат и ќе пропаднат“, рече Полсон.​„Вредноста на оваа студија е тоа што ни даде сигнали кои се карактеристични за тоа како работат различните батерии“.

Понатамошните студии во оваа област имаат потенцијал да ја водат иднината на литиум-јонските батерии, рече Полсон.​„Една од работите што можеме да ги направиме е да го обучиме алгоритмот за позната хемија и да го натераме да прави предвидувања за непозната хемија“, рече тој.​„Во суштина, алгоритмот може да ни помогне да ни покаже во насока на нови и подобрени хемии кои нудат подолг животен век.

На овој начин, Полсон верува дека алгоритмот за машинско учење би можел да го забрза развојот и тестирањето на материјалите од батериите.​„Кажете дека имате нов материјал и го циклирате неколку пати.Можете да го користите нашиот алгоритам за да ја предвидите неговата долговечност, а потоа да донесувате одлуки дали сакате да продолжите да го циклусите експериментално или не“.

„Ако сте истражувач во лабораторија, можете да откриете и тестирате многу повеќе материјали за пократко време бидејќи имате побрз начин да ги оцените“, додаде Бабинец.

Труд базиран на студијата, ​“Инженерството на функции за машинско учење овозможи рано предвидување на животниот век на батеријата”, се појави во онлајн изданието на Журналот за извори на енергија од 25 февруари.

Покрај Полсон и Бабинец, други автори на трудот ги вклучуваат Џозеф Кубал од Аргон, Логан Вард, Саураб Саксена и Венкван Лу.

Студијата беше финансирана од грант за истражување и развој (LDRD) насочена од Argonne лабораторија.