Neue Studie: Modell schätzt Lebensdauer von hochenergetischen Lithium-Metall-Batterien mittels maschinellen Lernens

BerlinNIMS und SoftBank Corp. haben ein neues Modell entwickelt, das mithilfe fortschrittlicher Machine-Learning-Techniken die Lebensdauer von Hochenergie-Lithium-Metall-Akkus vorhersagen kann. Durch die Analyse umfangreicher Daten zu Lade-, Entlade- und Ruhezyklen der Batterien liefert das Modell präzise Schätzungen zur Akkulebensdauer, ohne die genauen Abnutzungsmechanismen verstehen zu müssen. Diese Innovation könnte die Sicherheit und Zuverlässigkeit von Geräten, die Lithium-Metall-Akkus verwenden, erheblich verbessern. Diese Batterien könnten mehr Energie speichern als herkömmliche Lithium-Ionen-Batterien und somit zahlreiche Technologien voranbringen, einschließlich:

• Drohnen
• Elektrofahrzeuge
• Haushaltsenergiespeichersysteme

Das NIMS-SoftBank Zentrum für fortschrittliche Technologieentwicklung wurde 2018 gegründet. Seitdem arbeitet es an der Entwicklung von Hochenergie-Akkus für Mobilfunk-Basisstationen, IoT-Geräte und Höhenplattformen. Ein herausragender Erfolg ist eine Lithium-Metall-Batterie mit einer Energiedichte von über 300 Wh/kg, die mehr als 200 Lade-/Entladezyklen übersteht.

Die Erstellung genauer Modelle zur Vorhersage der Lebensdauer von Lithium-Metall-Batterien ist eine Herausforderung. Diese Batterien altern auf komplexere Weise als Lithium-Ionen-Batterien, und die genauen Gründe dafür sind noch nicht vollständig erforscht. Diese Komplexität erschwert die Vorhersage ihrer Leistung. Um dieses Problem zu lösen, entwickelten die Wissenschaftler zahlreiche hochenergetische Lithium-Metall-Batterien mit Lithium-Metall-Anoden und nickelreichen Kathoden.

Das Team nutzte fortschrittliches maschinelles Lernen auf Lade- und Entladedaten, um ein Modell zu entwickeln, das die Lebensdauer dieser Batterien vorhersagt. Dieses Modell ist einzigartig, da es seine Vorhersagen allein auf Basis der vorhandenen Daten trifft, ohne vorherige Annahmen über den Abbau der Batterien zu verwenden.

Lesen Sie auch:

Heute · 16:32

Subtile Verbindungen: Gehirnstrukturen und politische Überzeugungen

Dieses Modell hat zahlreiche bedeutende Auswirkungen. Es kann Lithium-Metall-Batterien zuverlässiger und sicherer machen. Zudem beschleunigt es die Entwicklung neuer Lithium-Metall-Anodenmaterialien. Für Unternehmen, die diese Batterien herstellen, ermöglicht die genaue Vorhersage der Batterielebensdauer eine effizientere Verbesserung ihrer Produkte während der Forschungs- und Entwicklungsphase. Dies kann sowohl Zeit als auch Kosten sparen.

Die gesteigerte Sicherheit und Zuverlässigkeit durch diese Vorhersagen wird wahrscheinlich das Vertrauen der Investoren stärken. Dadurch könnte es zu mehr Finanzierung und einer schnelleren Einführung von Lithium-Metall-Batterien in der Verbraucher- und Industrietechnologie kommen. Ein besseres Verständnis der Abbaumechanismen durch diesen datengestützten Ansatz könnte letztendlich zu langlebigeren und leistungsfähigeren Batterien in der Zukunft führen.

Der Einsatz von maschinellem Lernen zur Erstellung prädiktiver Modelle könnte entscheidend sein, um die Leistung von Lithium-Metall-Batterien zu verbessern. Diese Fortschritte könnten zu verbesserten Energiespeicherlösungen führen, die verschiedenen Branchen wie der Automobil- und der erneuerbaren Energieindustrie zugutekommen.