Kuvittele, että meedio kertoo vanhemmillesi syntymäpäivänäsi, kuinka kauan eläisit.Samanlainen kokemus on mahdollista akkukemisteille, jotka käyttävät uusia laskennallisia malleja akkujen käyttöiän laskemiseen vain yhden kokeellisen tiedon syklin perusteella.

Uudessa tutkimuksessa Yhdysvaltain energiaministeriön (DOE) Argonnen kansallisen laboratorion tutkijat ovat käyttäneet koneoppimisen voimaa ennustaakseen useiden erilaisten akkukemioiden käyttöiän.Käyttämällä Argonnessa kerättyjä kokeellisia tietoja 300 akun sarjasta, jotka edustavat kuutta eri akkukemiaa, tutkijat voivat määrittää tarkasti, kuinka kauan eri akut jatkavat kiertokulkuaan.

Argonnen tutkijat ovat käyttäneet koneoppimismalleja ennustaakseen akun käyttöikää monille erilaisille kemikaaleille.(Kuva: Shutterstock/Sealstep.)

Koneoppimisalgoritmissa tutkijat kouluttavat tietokoneohjelman tekemään päätelmiä ensimmäisestä datajoukosta ja sitten ottavat koulutuksesta oppimaansa päätökset toisesta datajoukosta.

"Kaikissa erilaisissa akkusovelluksissa, matkapuhelimista sähköajoneuvoihin ja verkkovarastointiin, akun käyttöikä on erittäin tärkeä jokaiselle kuluttajalle", sanoi Argonnen laskennallinen tutkija Noah Paulson, tutkimuksen kirjoittaja.”Akun kierrättäminen tuhansia kertoja, kunnes se epäonnistuu, voi kestää vuosia;menetelmämme luo eräänlaisen laskennallisen testikeittiön, jossa voimme nopeasti selvittää, miten eri akut tulevat toimimaan."

"Tällä hetkellä ainoa tapa arvioida, kuinka akun kapasiteetti heikkenee, on tosiasiallisesti kierrättää akkua", lisäsi Argonnen sähkökemisti Susan "Sue" Babinec, toinen tutkimuksen kirjoittaja."Se on erittäin kallista ja kestää kauan."

Paulsonin mukaan akun käyttöiän määrittäminen voi olla hankalaa."Todellisuus on, että akut eivät kestä ikuisesti, ja kuinka kauan ne kestävät, riippuu tavasta, jolla käytämme niitä, sekä niiden suunnittelusta ja kemiasta", hän sanoi."Tähän asti ei ole ollut todellakaan hyvä tapa tietää, kuinka kauan akku kestää.Ihmiset haluavat tietää, kuinka kauan heillä on aikaa, ennen kuin heidän on käytettävä rahaa uuteen akkuun.

Yksi tutkimuksen ainutlaatuinen näkökohta on, että se perustui Argonnessa tehtyyn laajaan kokeelliseen työhön useilla akkukatodimateriaaleilla, erityisesti Argonnen patentoidulla nikkeli-mangaani-koboltti (NMC) -pohjaisella katodilla."Meillä oli akkuja, jotka edustivat eri kemiaa, joilla on erilaisia ​​tapoja heiketä ja epäonnistua", Paulson sanoi."Tämän tutkimuksen arvo on, että se antoi meille signaaleja, jotka ovat ominaisia ​​eri akkujen toimivuudelle."

Tämän alueen lisätutkimukset voivat ohjata litiumioniakkujen tulevaisuutta, Paulson sanoi."Yksi asioista, joita voimme tehdä, on opettaa algoritmi tunnetulle kemialle ja antaa sen ennustaa tuntematonta kemiaa", hän sanoi."Pohjimmiltaan algoritmi voi auttaa ohjaamaan meitä kohti uusia ja parempia kemikaaleja, jotka tarjoavat pidemmän käyttöiän."

Tällä tavalla Paulson uskoo, että koneoppimisalgoritmi voisi nopeuttaa akkumateriaalien kehitystä ja testausta."Sano, että sinulla on uusi materiaali ja kierrät sitä muutaman kerran.Voit käyttää algoritmiamme ennustamaan sen pitkäikäisyyttä ja sitten tehdä päätöksiä siitä, haluatko jatkaa sen kokeilua vai et."

"Jos olet tutkija laboratoriossa, voit löytää ja testata paljon enemmän materiaaleja lyhyemmässä ajassa, koska sinulla on nopeampi tapa arvioida niitä", Babinec lisäsi.

Tutkimukseen perustuva paperi, "Koneoppimisen ominaisuussuunnittelu mahdollisti akun käyttöiän ennakoinnin varhaisessa vaiheessa”, ilmestyi Journal of Power Sources -lehden verkkoversiossa 25. helmikuuta.

Paulsonin ja Babinecin lisäksi muita paperin kirjoittajia ovat Argonnen Joseph Kubal, Logan Ward, Saurabh Saxena ja Wenquan Lu.

Tutkimus rahoitettiin Argonne Laboratory-Directed Research and Development (LDRD) -apurahalla.