Ny studie: maskininlärningsmodell förutspår livslängden på högenergidensitet litium-metallbatterier

StockholmNIMS och SoftBank Corp. har utvecklat en ny modell som kan förutse livslängden hos högenergi litium-metalbatterier med hjälp av avancerad maskininlärning. Genom att analysera stora mängder data om hur dessa batterier laddas, laddas ur och vilar, ger modellen exakta uppskattningar av batteriets livslängd utan att behöva förstå hur de slits ut. Denna utveckling kan göra enheter som använder litium-metalbatterier säkrare och mer tillförlitliga. Dessa batterier har potential att lagra mer energi än nuvarande litium-jonbatterier, vilket kan förbättra många teknologier, inklusive:

• Drönare
• Elfordon
• System för lagring av hushållens elektricitet

NIMS-SoftBank Advanced Technologies Development Center grundades år 2018. Sedan dess har centret arbetat med att utveckla högenergiladdningsbara batterier för användning i basstationer för mobiltelefoner, IoT-enheter och högflygande plattformar. En stor framgång är ett litium-metallbatteri med en energitäthet på över 300 Wh/kg, vilket håller i mer än 200 laddnings-/urladdningscykler.

Att skapa exakta modeller för att förutsäga livslängden på litium-metallbatterier har varit svårt. Dessa batterier åldras på mer komplicerade sätt än litium-jonbatterier, och anledningen är inte helt förstådd. Denna komplexitet gör det svårt att förutse deras prestanda. För att lösa detta problem tillverkade forskarna många högenergilitium-metallbatterier med litium-metallanoder och nickelrika katoder.

Teamet använde avancerad maskininlärning på laddnings- och urladdningsdata för att skapa en modell som förutser hur länge dessa batterier kommer att hålla. Denna modell är unik eftersom den gör förutsägelser enbart baserat på de data den ser, utan att använda några tidigare antaganden om hur batterier försämras.

Läs också:

Idag · 16:32

Hjärnans struktur och komplexiteten hos politiska uppfattningar

Denna modell har många viktiga effekter. Den kan göra litium-metallbatterier mer pålitliga och säkrare. Den bidrar också till att snabbare utveckla nya material för litium-metallanoder. För företag som tillverkar dessa batterier innebär en exakt förutsägelse av batteriets livslängd att de kan förbättra sina produkter mer effektivt under forskning och utveckling. Detta kan spara både pengar och tid.

Den ökade säkerheten och tillförlitligheten från dessa prognoser kan stärka investerarnas förtroende. Detta kan leda till mer finansiering och snabbare introduktion av litiummetallbatterier i både konsument- och industriprodukter. Genom att bättre förstå nedbrytningsmekanismerna med denna datadrivna metod, kan det på sikt resultera i batterier som håller längre och presterar bättre.

Att använda maskininlärning för att skapa prediktiva modeller kan vara avgörande för att förbättra prestandan hos litium-metallbatterier. Denna utveckling kan leda till bättre energilagringslösningar som gynnar olika branscher, inklusive bilindustrin och förnybara energisystem.