Képzeld el, hogy egy médium a születésed napján elmondja a szüleidnek, hogy mennyi ideig fogsz élni.Hasonló tapasztalatokra tehetnek szert azok az akkumulátor-vegyészek, akik új számítási modelleket használnak az akkumulátorok élettartamának kiszámításához mindössze egyetlen kísérleti adatciklus alapján.

Egy új tanulmányban az Egyesült Államok Energiaügyi Minisztériumának (DOE) Argonne Nemzeti Laboratóriumának kutatói a gépi tanulás ereje felé fordultak, hogy megjósolják a különféle akkumulátorkémiai anyagok élettartamát.Az Argonne-nál 300 elemből álló, hat különböző kémiai elemet képviselő elemből összegyűjtött kísérleti adatok felhasználásával a tudósok pontosan meg tudják határozni, hogy a különböző akkumulátorok mennyi ideig működnek tovább.

Az Argonne kutatói gépi tanulási modelleket használtak arra, hogy előrejelzéseket készítsenek az akkumulátorciklus élettartamáról a különféle kémiai anyagok széles körében.(A kép: Shutterstock/Sealstep.)

A gépi tanulási algoritmusban a tudósok arra tanítanak egy számítógépes programot, hogy következtetéseket vonjon le egy kezdeti adathalmazra, majd a képzés során tanultakat felhasználva döntéseket hoz egy másik adathalmazról.

"Mindenféle akkumulátor-alkalmazás esetében, a mobiltelefonoktól az elektromos járműveken át a hálózati tárolásig, az akkumulátor élettartama alapvető fontosságú minden fogyasztó számára" - mondta Noah Paulson, az Argonne számítástechnikai tudósa, a tanulmány szerzője.„Évekig is eltarthat, ha egy akkumulátort ezerszer kell körbeforgatni, amíg meghibásodik;módszerünk egyfajta számítási tesztkonyhát hoz létre, ahol gyorsan megállapíthatjuk, hogy a különböző akkumulátorok hogyan fognak teljesíteni.”

„Jelenleg az egyetlen módja annak, hogy felmérjük, hogyan csökken az akkumulátor kapacitása, az az, ha ténylegesen ciklusba kapcsoljuk” – tette hozzá Susan “Sue” Babinec, az Argonne elektrokémikusa, a tanulmány másik szerzője.– Nagyon drága, és sok időt vesz igénybe.

Paulson szerint az akkumulátor élettartamának meghatározása bonyolult lehet.„A valóság az, hogy az akkumulátorok nem tartanak örökké, és meddig tartanak, az attól függ, hogyan használjuk őket, valamint a kialakításuktól és a kémiájuktól” – mondta.„Eddig nem volt igazán jó módja annak, hogy megtudjuk, mennyi ideig bírja az akkumulátor.Az emberek tudni akarják, mennyi ideig kell pénzt költeniük egy új akkumulátorra.”

A tanulmány egyik egyedi aspektusa, hogy az Argonne-nál végzett kiterjedt kísérleti munkára támaszkodott különféle akkumulátorkatód anyagokon, különösen az Argonne szabadalmaztatott nikkel-mangán-kobalt (NMC) alapú katódon.„Voltak olyan akkumulátoraink, amelyek különböző kémiát képviseltek, és különböző módon leromlottak és meghibásodtak” – mondta Paulson."A tanulmány értéke az, hogy olyan jeleket adott nekünk, amelyek jellemzőek a különböző akkumulátorok teljesítményére."

Paulson szerint az ezen a területen végzett további tanulmányok segíthetnek a lítium-ion akkumulátorok jövőjében.„Az egyik dolog, amit megtehetünk, hogy az algoritmust egy ismert kémiára tanítjuk, és előrejelzéseket készítünk egy ismeretlen kémiára” – mondta.„Lényegében az algoritmus segíthet az új és továbbfejlesztett kémiák irányába mutatni, amelyek hosszabb élettartamot biztosítanak.”

Ily módon Paulson úgy véli, hogy a gépi tanulási algoritmus felgyorsíthatja az akkumulátoranyagok fejlesztését és tesztelését.„Tegyük fel, hogy van egy új anyaga, és megforgatja néhányszor.Algoritmusunk segítségével megjósolhatja a hosszú élettartamát, majd meghozhatja a döntéseket, hogy továbbra is kísérleti úton kívánja-e használni, vagy sem.

"Ha Ön kutató egy laboratóriumban, sokkal több anyagot fedezhet fel és tesztelhet rövidebb idő alatt, mert gyorsabban értékelheti őket" - tette hozzá Babinec.

Egy tanulmány a tanulmány alapján, "A gépi tanulás funkciótervezése lehetővé tette az akkumulátor élettartamának korai előrejelzését”, jelent meg a Journal of Power Sources február 25-i online kiadásában.

Paulson és Babinec mellett a cikk további szerzői közé tartozik Argonne Joseph Kubal, Logan Ward, Saurabh Saxena és Wenquan Lu.

A tanulmányt az Argonne Laboratory-Directed Research and Development (LDRD) támogatásból finanszírozták.