Maschinelles Lernen zur Vorhersage und Verhinderung von Bränden bei EV-Batterien

Lesezeit: 2 Minuten
Durch Hans Meier
- in
Elektrofahrzeugbatterie mit digitaler Datenüberlagerung.

BerlinElektrofahrzeuge (EVs) bieten innovative Lösungen für Umweltprobleme, bringen aber auch technische Herausforderungen mit sich, insbesondere in Bezug auf die Batteriesicherheit. Ein großes Sicherheitsproblem bei EVs ist die Regelung der Batterietemperatur. Lithium-Ionen-Batterien können sehr heiß werden, was ernste Probleme wie Brände verursachen kann.

Forschung unter der Leitung von Basab Goswami, Doktorand an der Universität von Arizona, stellt eine innovative Methode zur Vorhersage und Vermeidung plötzlicher Temperaturanstiege in Batterien von Elektrofahrzeugen vor. Die im Journal of Power Sources veröffentlichte Studie präsentiert ein maschinelles Lernsystem, das präzise Gefahren durch thermische Durchlaufereignisse in diesen Batterien erkennen, vorhersagen und identifizieren kann.

Thermisches Durchgehen tritt auf, wenn ein Temperaturanstieg eine Reaktion auslöst, die die Temperatur weiter erhöht, was zu Bränden oder Explosionen führen kann. Aktuelle Batteriepakete von Elektrofahrzeugen (EV) enthalten über 1.000 Zellen, und wenn eine Zelle ein thermisches Durchgehen erlebt, kann es sich schnell auf benachbarte Zellen ausbreiten. Dies kann ernsthafte Probleme verursachen.

Der Einsatz von Temperatursensoren an Batteriezellen stellt einen bedeutenden Fortschritt dar. Diese Sensoren erfassen vergangene Temperaturdaten und übermitteln sie an einen maschinellen Lernalgorithmus. Dieser Algorithmus kann dann Vorhersagen treffen:

  • Zukünftige Temperaturentwicklungen
  • Die Wahrscheinlichkeit eines thermischen Fluchtpunktereignisses
  • Der genaue Ort, an dem ein solches Ereignis vermutlich beginnt

Goswamis Algorithmus ist präzise. Ältere Methoden nutzten Wärmebildtechnik, die sperrige und teure Geräte erforderten. Dieser neue Ansatz ist leichter, kostengünstiger und sehr genau. Professor Vitaliy Yurkiv, der Leiter des Projekts, erläutert, dass der Algorithmus Temperatur- und Hotspot-Orte besser vorhersagt als jeder Mensch.

Die Elektrofahrzeugbranche befindet sich an einem Wendepunkt. Im Juli kündigte die Biden-Administration 1,7 Milliarden Dollar für die Produktion von Elektrofahrzeugen in acht US-Bundesstaaten an. Die weltweite Nachfrage nach Elektrofahrzeugen stieg 2023 im Vergleich zum Vorjahr um 35 %. Dennoch halten Sicherheitsbedenken immer noch viele Menschen davon ab, auf diese Fahrzeuge umzusteigen.

Diese Forschung kann das Vertrauen der Öffentlichkeit in Elektrofahrzeuge steigern, indem sie das zentrale Problem des thermischen Durchgehens löst. Sie verdeutlicht die Notwendigkeit kontinuierlicher technologischer Verbesserungen, um den Verbraucheranforderungen nach sichereren und zuverlässigeren umweltfreundlichen Technologien gerecht zu werden. Mit den Fortschritten im Bereich des maschinellen Lernens wird dessen Anwendung in Bereichen wie der Sicherheit von Elektrofahrzeugen voraussichtlich zunehmen und somit fortschrittlichere und präzisere Lösungen bieten.

Die Integration von Goswamis System in die Verwaltung von EV-Batterien ist ein bedeutender Fortschritt. Es sorgt dafür, dass Fahrer und Mitfahrer sicher sind und erleichtert die Akzeptanz und Nutzung von Elektrofahrzeugen.

Die Studie wird hier veröffentlicht:

http://dx.doi.org/10.1016/j.jpowsour.2024.235015

und seine offizielle Zitation - einschließlich Autoren und Zeitschrift - lautet

Basab Ranjan Das Goswami, Yasaman Abdisobbouhi, Hui Du, Farzad Mashayek, Todd A. Kingston, Vitaliy Yurkiv. Advancing battery safety: Integrating multiphysics and machine learning for thermal runaway prediction in lithium-ion battery module. Journal of Power Sources, 2024; 614: 235015 DOI: 10.1016/j.jpowsour.2024.235015
Wissenschaft: Neueste Nachrichten
Weiterlesen:

Diesen Artikel teilen

Kommentare (0)

Kommentar veröffentlichen