Kuvittele meedio, joka kertoo vanhemmillesi syntymäpäivänäsi, kuinka kauan elät. Samanlainen kokemus on mahdollinen akkukemisteille, jotka käyttävät uusia laskennallisia malleja akkujen käyttöiän laskemiseen jopa yhden kokeellisen datasyklin perusteella.

Yhdysvaltain energiaministeriön (DOE) Argonnen kansallisen laboratorion tutkijat ovat uudessa tutkimuksessa hyödyntäneet koneoppimista ennustaakseen monenlaisten akkukemiallisten aineiden käyttöikää. Käyttämällä Argonnessa kerättyä kokeellista dataa 300 akusta, jotka edustavat kuutta eri akkukemiaa, tiedemiehet voivat tarkasti määrittää, kuinka kauan eri akut jatkavat sykliään.

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

Koneoppimisalgoritmissa tutkijat kouluttavat tietokoneohjelman tekemään päätelmiä alkuperäisestä tietojoukosta ja sitten käyttämään oppimaansa tietoa päätöksentekoon toisen tietojoukon perusteella.

”Kaikissa erityyppisissä akkusovelluksissa, matkapuhelimista sähköajoneuvoihin ja verkkovarastointiin, akun käyttöikä on perustavanlaatuisen tärkeää jokaiselle kuluttajalle”, sanoo tutkimuksen tekijä, Argonnen laskennallinen tutkija Noah Paulson. ”Akun lataaminen ja lataaminen tuhansia kertoja ennen kuin se pettää, voi viedä vuosia. Menetelmämme luo eräänlaisen laskennallisen testikeittiön, jossa voimme nopeasti selvittää, miten eri akut toimivat.”

”Tällä hetkellä ainoa tapa arvioida akun kapasiteetin heikkenemistä on itse asiassa ladata akku uudelleen”, lisäsi tutkimuksen toinen kirjoittaja, Argonnen sähkökemisti Susan ”Sue” Babinec. ”Se on erittäin kallista ja vie kauan.”

Paulsonin mukaan akun käyttöiän määrittäminen voi olla hankalaa. ”Todellisuudessa akut eivät kestä ikuisesti, ja niiden kesto riippuu siitä, miten niitä käytetään, sekä niiden suunnittelusta ja kemiasta”, hän sanoi. ”Tähän asti ei ole ollut hyvää tapaa tietää, kuinka kauan akku kestää. Ihmiset haluavat tietää, kuinka kauan heillä on aikaa ennen kuin heidän on käytettävä rahaa uuteen akkuun.”

Yksi tutkimuksen ainutlaatuinen piirre on se, että se perustui Argonnessa tehtyyn laajaan kokeelliseen työhön erilaisilla akkujen katodimateriaaleilla, erityisesti Argonnen patentoimalla nikkeli-mangaani-koboltti (NMC) -pohjaisella katodilla. ”Meillä oli akkuja, jotka edustivat erilaisia ​​kemioita ja joilla oli erilaisia ​​tapoja hajota ja rikkoutua”, Paulson sanoi. ”Tämän tutkimuksen arvo on se, että se antoi meille signaaleja, jotka ovat tyypillisiä eri akkujen suorituskyvylle.”

Paulsonin mukaan lisätutkimukset tällä alueella voivat ohjata litiumioniakkujen tulevaisuutta. ”Yksi asia, jonka pystymme tekemään, on kouluttaa algoritmia tunnetulla kemialla ja saada se tekemään ennusteita tuntemattomalla kemialla”, hän sanoi. ”Pohjimmiltaan algoritmi voi auttaa meitä löytämään uusia ja parempia kemioita, jotka tarjoavat pidemmän käyttöiän.”

Paulson uskoo, että koneoppimisalgoritmi voisi tällä tavoin nopeuttaa akkumateriaalien kehitystä ja testausta. ”Oletetaan, että sinulla on uusi materiaali ja kierrätät sitä muutaman kerran. Voit käyttää algoritmiamme sen pitkäikäisyyden ennustamiseen ja sitten tehdä päätöksiä siitä, haluatko jatkaa sen kokeellista kierrätystä 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 artikkeli, ​"Koneoppimisen ominaisuussuunnittelu mahdollisti akun käyttöiän varhaisen ennustamisen”, ilmestyi Journal of Power Sources -lehden verkkojulkaisussa 25. helmikuuta.

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

Tutkimusta rahoitti Argonnen laboratorion ohjaama tutkimus- ja kehitysapuraha (LDRD).