Se for deg en synsk person 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 batterilevetid basert på så lite som én syklus med eksperimentelle data.

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

Argonne-forskere har brukt maskinlæringsmodeller for å forutsi batterilevetiden for en rekke forskjellige kjemiske stoffer. (Bilde av Shutterstock/Sealstep.)

I en maskinlæringsalgoritme trener forskere et dataprogram til å trekke slutninger basert på et første datasett, og deretter bruke det det har lært fra den treningen til å ta avgjørelser basert på et annet datasett.

«For alle typer batteriapplikasjoner, fra mobiltelefoner til elbiler til strømnettlagring, er batteriets levetid av fundamental betydning for alle forbrukere», sa Argonnes beregningsforsker Noah Paulson, en av forfatterne av studien. «Det kan ta år å måtte lade et batteri tusenvis av ganger før det svikter. Metoden vår skaper et slags beregningstestkjøkken der vi raskt kan fastslå hvordan forskjellige batterier vil yte.»

«Akkurat nå er den eneste måten å evaluere hvordan kapasiteten i et batteri avtar å faktisk lade batteriet på nytt», la Argonne-elektrokjemikeren Susan «Sue» Babinec, en annen forfatter av studien, til. «Det er veldig dyrt, og det tar lang tid.»

Ifølge Paulson kan prosessen med å fastslå batterilevetid være vanskelig. «Realiteten er at batterier ikke varer evig, og hvor lenge de varer avhenger av måten vi bruker dem på, samt designet og kjemien deres», sa han. «Frem til nå har det egentlig ikke vært en god måte å vite hvor lenge et batteri vil vare. Folk vil ønske å vite hvor lang tid de har til de må bruke penger på et nytt batteri.»

Et unikt aspekt ved studien er at den baserte seg på omfattende eksperimentelt arbeid utført ved Argonne på en rekke forskjellige katodematerialer for batterier, spesielt Argonnes patenterte nikkel-mangan-kobolt (NMC)-baserte katode. «Vi hadde batterier som representerte forskjellige kjemiske sammensetninger, som har forskjellige måter de ville brytes ned og svikte på», sa Paulson. «Verdien av denne studien er at den ga oss signaler som er karakteristiske for hvordan forskjellige batterier yter.»

Videre studier på dette området har potensial til å veilede fremtiden til litiumionbatterier, sa Paulson. «En av tingene vi kan gjøre er å trene algoritmen på en kjent kjemi og få den til å gjøre forutsigelser på en ukjent kjemi», sa han. «I hovedsak kan algoritmen hjelpe oss med å peke oss i retning av nye og forbedrede kjemier som tilbyr lengre levetid.»

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

«Hvis du er 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.

En artikkel basert på studien,Funksjonsutvikling for maskinlæring muliggjorde tidlig forutsigelse av batterilevetid«,» sto i nettutgaven av Journal of Power Sources den 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.