Замислете видовњак како им кажува на вашите родители, на денот кога сте се родиле, колку долго ќе живеете. Слично искуство е можно и за хемичарите за батерии кои користат нови пресметковни модели за да го пресметаат животниот век на батериите врз основа на само еден циклус експериментални податоци.

Во нова студија, истражувачите од Националната лабораторија Аргон при Министерството за енергетика на САД (DOE) се свртеа кон моќта на машинското учење за да го предвидат животниот век на широк спектар на различни хемиски состави на батериите. Со користење на експериментални податоци собрани во Аргон од сет од 300 батерии што претставуваат шест различни хемиски состави на батериите, научниците можат точно да утврдат колку долго различните батерии ќе продолжат да работат.

Истражувачите од Аргон користеле модели на машинско учење за да направат предвидувања за животниот циклус на батеријата за широк спектар на различни хемикалии. (Слика од Shutterstock/Sealstep.)

Во алгоритам за машинско учење, научниците тренираат компјутерска програма да прави заклучоци врз основа на почетен сет на податоци, а потоа го користат она што го научила од таа обука за да донесуваат одлуки врз основа на друг сет на податоци.

„За секој различен вид на примена на батерии, од мобилни телефони до електрични возила до складирање во мрежата, животниот век на батеријата е од фундаментално значење за секој потрошувач“, рече компјутерскиот научник од Аргон, Ноа Полсон, автор на студијата. „Морањето да се циклусира батеријата илјадници пати додека не се расипе може да трае со години; нашиот метод создава еден вид компјутерска тест-кујна каде што можеме брзо да утврдиме како ќе функционираат различните батерии.“

„Во моментов, единствениот начин да се процени како капацитетот на батеријата опаѓа е всушност да се циклира батеријата“, додаде електрохемичарката од Аргон, Сузан „Сју“ Бабинец, друга авторка на студијата. „Многу е скапо и одзема многу време.“

Според Полсон, процесот на утврдување на животниот век на батеријата може да биде комплициран. „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 хемија“, рече тој. „Досега, навистина немаше одличен начин да се знае колку долго ќе трае батеријата. Луѓето ќе сакаат да знаат колку време им останува додека не мора да потрошат пари за нова батерија.“

Еден уникатен аспект на студијата е тоа што се потпираше на обемна експериментална работа спроведена во Аргон на различни материјали за катоди на батерии, особено на патентираната катода на Аргон базирана на никел-манган-кобалт (NMC). „Имавме батерии што претставуваа различни хемиски состави, кои имаа различни начини на кои би се деградирале и би откажале“, рече Полсон. „Вредноста на оваа студија е во тоа што ни даде сигнали што се карактеристични за тоа како функционираат различните батерии.“

Понатамошните студии во оваа област имаат потенцијал да ја насочат иднината на литиум-јонските батерии, рече Полсон. „Една од работите што можеме да ги направиме е да го тренираме алгоритмот на позната хемија и да прави предвидувања на непозната хемија“, рече тој. „Во суштина, алгоритмот може да ни помогне да нè насочи во насока на нови и подобрени хемикалии 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 за батерии. „Да речеме дека имате нов материјал и го циклирате неколку пати. Можете да го користите нашиот алгоритам за да ја предвидите неговата долговечност, а потоа да донесете одлуки дали сакате да продолжите да го циклирате 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 „Journal of Power Sources“ од 25 февруари.

Покрај Полсон и Бабинец, други автори на трудот се Џозеф Кубал од Аргон, Логан Ворд, Саураб Саксена и Венкуан Лу.

Студијата беше финансирана од грант за истражување и развој насочено кон лабораторијата Аргон (LDRD).