Se for deg en synsk som forteller foreldrene dine, den dagen du ble født, hvor lenge du ville leve.En lignende opplevelse er mulig for batterikjemikere som bruker nye beregningsmodeller for å beregne batterilevetider basert på så lite som en enkelt syklus med eksperimentelle data.

I en ny studie har forskere ved det amerikanske energidepartementets (DOE) Argonne National Laboratory vendt seg til kraften i maskinlæring for å forutsi levetiden til et bredt spekter av forskjellige batterikjemi.Ved å bruke eksperimentelle data samlet på Argonne fra et sett med 300 batterier som representerer seks forskjellige batterikjemier, kan forskerne nøyaktig bestemme hvor lenge forskjellige batterier vil fortsette å sykle.

Argonne-forskere har brukt maskinlæringsmodeller for å forutsi batterilevetiden for et bredt spekter av forskjellige kjemier.(Bilde av Shutterstock/Sealstep.)

I en maskinlæringsalgoritme trener forskere et dataprogram til å gjøre slutninger om et første sett med data, og deretter ta det det har lært fra den opplæringen for å ta beslutninger om et annet sett med data.

"For alle typer batteriapplikasjoner, fra mobiltelefoner til elektriske kjøretøyer til nettlagring, er batterilevetiden av grunnleggende betydning for alle forbrukere," sa Argonne beregningsforsker Noah Paulson, en forfatter av studien.«Å måtte sykle et batteri tusenvis av ganger til det svikter kan ta år;metoden vår skaper et slags beregningstestkjøkken hvor vi raskt kan fastslå hvordan ulike batterier kommer til å yte.»

"Akkurat nå er den eneste måten å evaluere hvordan kapasiteten i et batteri falmer, å faktisk sykle batteriet," la Argonne elektrokjemiker Susan ​Sue Babinec til, en annen forfatter av studien."Det er veldig dyrt og det tar lang tid."

Ifølge Paulson kan prosessen med å etablere en batterilevetid være vanskelig."Virkeligheten er at batterier ikke varer evig, og hvor lenge de varer avhenger av måten vi bruker dem på, samt deres design og kjemi," sa han."Inntil nå har det virkelig ikke vært en god måte å vite hvor lenge et batteri kommer til å vare.Folk kommer til å ønske å vite hvor lang tid de har før de må bruke penger på et nytt batteri.»

Et unikt aspekt ved studien er at den var avhengig av omfattende eksperimentelt arbeid utført ved Argonne på en rekke batterikatodematerialer, spesielt Argonnes patenterte nikkel-mangan-kobolt (NMC)-baserte katode."Vi hadde batterier som representerte forskjellige kjemier, som har forskjellige måter de ville degradere og svikte," sa Paulson."Verdien av denne studien er at den ga oss signaler som er karakteristiske for hvordan forskjellige batterier presterer."

Ytterligere studier på dette området har potensialet til å lede fremtiden til litium-ion-batterier, sa Paulson."En av tingene vi kan gjøre er å trene algoritmen på en kjent kjemi og få den til å forutsi en ukjent kjemi," sa han."I hovedsak kan algoritmen hjelpe oss med å peke oss i retning av nye og forbedrede kjemier som gir lengre levetid."

På denne måten mener Paulson at maskinlæringsalgoritmen kan akselerere utviklingen og testingen av batterimaterialer.«Si at du har et nytt materiale, og du sykler det noen ganger.Du kan bruke algoritmen vår til å forutsi levetiden, og deretter ta avgjørelser om du vil fortsette å sykle den eksperimentelt eller ikke."

"Hvis du er en forsker i et laboratorium, kan du oppdage og teste mange flere materialer på kortere tid fordi du har en raskere måte å evaluere dem på," la Babinec til.

Et papir basert på studien, "Funksjonsteknikk for maskinlæring muliggjorde tidlig prediksjon av batterilevetid", dukket opp i nettutgaven av Journal of Power Sources 25. februar.

I tillegg til Paulson og Babinec, inkluderer andre forfattere av artikkelen Argonnes Joseph Kubal, Logan Ward, Saurabh Saxena og Wenquan Lu.

Studien ble finansiert av et Argonne Laboratory-Directed Research and Development (LDRD)-stipend.