Nowe badanie: model predykcyjny wykorzystuje uczenie maszynowe do przewidywania żywotności baterii litowo-metalowych.

WarsawNIMS i SoftBank Corp. opracowali nowy model, który za pomocą zaawansowanego uczenia maszynowego potrafi przewidzieć, jak długo będą działać baterie litowo-metalowe o wysokiej energii. Analizując ogromne ilości danych dotyczących procesu ładowania, rozładowywania i odpoczynku tych baterii, model oferuje dokładne prognozy dotyczące ich żywotności, nie wymagając szczegółowej wiedzy na temat ich zużycia. To osiągnięcie może podnieść bezpieczeństwo i niezawodność urządzeń korzystających z baterii litowo-metalowych. Dzięki temu, że te baterie mogą magazynować więcej energii niż obecne baterie litowo-jonowe, mogą one zrewolucjonizować wiele technologii, w tym:

• Drony
• Samochody elektryczne
• Systemy magazynowania energii dla gospodarstw domowych

Centrum Rozwoju Zaawansowanych Technologii NIMS-SoftBank zostało utworzone w 2018 roku. Od tego czasu pracuje nad wytwarzaniem wysokoenergetycznych akumulatorów przeznaczonych do stacji bazowych telefonii komórkowej, urządzeń IoT oraz platform na dużej wysokości. Jednym z głównych sukcesów jest akumulator litowo-metalowy o gęstości energii przekraczającej 300 Wh/kg, który wytrzymuje ponad 200 cykli ładowania/rozładowania.

Tworzenie dokładnych modeli do przewidywania żywotności baterii litowo-metalowych jest trudne. Baterie te starzeją się w bardziej skomplikowany sposób niż akumulatory litowo-jonowe, a pełne zrozumienie przyczyn tego zjawiska wciąż nam umyka. Ta złożoność utrudnia prognozowanie ich wydajności. Aby rozwiązać ten problem, naukowcy stworzyli wiele wysokoenergetycznych baterii litowo-metalowych z anodami litowo-metalowymi i katodami bogatymi w nikiel.

Zespół zastosował zaawansowane uczenie maszynowe na danych ładowania i rozładowania, aby opracować model, który przewiduje żywotność tych baterii. Ten model jest wyjątkowy, ponieważ dokonuje prognoz wyłącznie na podstawie obserwowanych danych, nie korzystając z wcześniejszych założeń dotyczących sposobu, w jaki zużywają się baterie.

Zobacz również:

Wczoraj · 16:55

Przemyśl net zero: czemu przyrodnicze absorbery węgla nie wystarczą do zatrzymania zmiany klimatu

Ten model ma wiele istotnych efektów. Może sprawić, że baterie z metalem litowym będą bardziej niezawodne i bezpieczne. Pomaga również w szybszym tworzeniu nowych materiałów anodowych z metalu litowego. Dla firm produkujących te baterie, zdolność precyzyjnego prognozowania trwałości baterii oznacza, że mogą one efektywniej udoskonalać swoje produkty podczas badań i rozwoju. To może zaoszczędzić zarówno pieniądze, jak i czas.

Poprawa bezpieczeństwa i niezawodności dzięki tym prognozom z pewnością zwiększy zaufanie inwestorów. Może to skutkować większym finansowaniem i szybszym wprowadzeniem na rynek baterii litowo-metalowych w technologii konsumenckiej i przemysłowej. Lepsze zrozumienie mechanizmów degradacji dzięki podejściu opartemu na danych może ostatecznie prowadzić do produkcji trwalszych i wydajniejszych baterii w przyszłości.

Zastosowanie uczenia maszynowego do tworzenia modeli predykcyjnych może być kluczowe dla poprawy wydajności baterii litowo-metalowych. Ten postęp może prowadzić do ulepszonych rozwiązań magazynowania energii, które przyniosą korzyści różnym branżom, w tym motoryzacyjnej i systemom energii odnawialnej.