Képzelj el egy médiumot, aki a születésed napján megmondja a szüleidnek, meddig fogsz élni. Hasonló élményben lehet részük az akkumulátorkémikusoknak is, akik új számítási modelleket használnak az akkumulátorok élettartamának kiszámítására, akár egyetlen kísérleti adatciklus alapján is.

Egy új tanulmányban az Egyesült Államok Energiaügyi Minisztériumának (DOE) Argonne Nemzeti Laboratóriumának kutatói a gépi tanulás erejéhez fordultak, hogy megjósolják a különböző akkumulátor-kémiai összetételű elemek élettartamát. Az Argonne-ban gyűjtött 300, hat különböző akkumulátor-kémiai összetételű elemből álló kísérleti adatok felhasználásával a tudósok pontosan meg tudják határozni, hogy a különböző akkumulátorok mennyi ideig képesek ciklusidőt fenntartani.

Az Argonne kutatói gépi tanulási modelleket használtak az akkumulátorok élettartamának előrejelzésére számos különböző kémiai anyag esetén. (Kép: Shutterstock/Sealstep.)

Egy gépi tanulási algoritmusban a tudósok betanítanak egy számítógépes programot, hogy következtetéseket vonjon le egy kezdeti adathalmaz alapján, majd a betanítás során tanultakat felhasználva egy másik adathalmazon hozzon döntéseket.

„Mindenféle akkumulátor-alkalmazás esetében, a mobiltelefonoktól az elektromos járműveken át a hálózati energiatárolásig, az akkumulátor élettartama alapvető fontosságú minden fogyasztó számára” – mondta Noah Paulson, az Argonne számítástechnikusa, a tanulmány egyik szerzője. „Egy akkumulátor több ezerszeri újratöltése, amíg meghibásodik, évekig is eltarthat; a módszerünk egyfajta számítási tesztkonyhát hoz létre, ahol gyorsan megállapíthatjuk, hogyan fognak teljesíteni a különböző akkumulátorok.”

„Jelenleg az akkumulátor kapacitásának csökkenését csak úgy lehet felmérni, ha ténylegesen újraindítjuk az akkumulátort” – tette hozzá Susan „Sue” Babinec, az Argonne elektrokémikusa, a tanulmány egy másik szerzője. „Ez nagyon drága, és sokáig tart.”

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

A tanulmány egyik egyedülálló aspektusa, hogy az Argonne-ban különféle akkumulátorkatód-anyagokon, különösen az Argonne szabadalmaztatott nikkel-mangán-kobalt (NMC) alapú katódon végzett kiterjedt kísérleti munkára támaszkodott. „Olyan akkumulátoraink voltak, amelyek különböző kémiai összetételűek voltak, és amelyeknek különböző módokon kellett lebomlaniuk és meghibásodniuk” – mondta Paulson. „A tanulmány értéke az, hogy olyan jeleket adott nekünk, amelyek jellemzőek a különböző akkumulátorok teljesítményére.”

Paulson szerint a további kutatások ezen a területen iránymutatást adhatnak a lítium-ion akkumulátorok jövőjéhez. „Az egyik dolog, amit megtehetünk, az az, hogy az algoritmust egy ismert kémiai reakción betanítjuk, és egy ismeretlen kémiai reakció alapján előrejelzéseket teszünk vele” – mondta. „Lényegében az algoritmus segíthet nekünk új és továbbfejlesztett, hosszabb élettartamot kínáló kémiai reakciók felé mutatni.”

Paulson úgy véli, hogy a gépi tanulási algoritmus ily módon felgyorsíthatja az akkumulátoranyagok fejlesztését és tesztelését. „Tegyük fel, hogy van egy új anyagunk, és néhányszor újrahasznosítjuk. Használhatjuk az algoritmusunkat az élettartamának előrejelzésére, majd döntéseket hozhatunk arról, hogy folytatjuk-e a kísérleti újrahasznosítást vagy sem.”

„Ha kutató vagy egy laboratóriumban, sokkal több anyagot fedezhetsz fel és tesztelhetsz rövidebb idő alatt, mert gyorsabban tudod kiértékelni őket” – tette hozzá Babinec.

Egy tanulmányon alapuló tanulmány, „A gépi tanuláshoz kapcsolódó funkciófejlesztés lehetővé tette az akkumulátor élettartamának korai előrejelzését”, jelent meg a Journal of Power Sources online kiadásában, február 25-én.

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

A tanulmányt egy Argonne Laboratórium által irányított kutatási és fejlesztési (LDRD) támogatás finanszírozta.