Preveja a vida útil da bateria com aprendizado de máquina

Em um novo estudo, pesquisadores do Laboratório Nacional de Argonne do Departamento de Energia dos EUA (DOE) recorreram ao aprendizado de máquina para prever a vida útil de uma ampla gama de diferentes químicas de baterias. Usando dados experimentais coletados em Argonne a partir de um conjunto de 300 baterias representando seis diferentes químicas de bateria, os cientistas podem determinar com precisão por quanto tempo baterias diferentes continuarão a funcionar.

Em um algoritmo de aprendizado de máquina, os cientistas treinam um programa de computador para fazer inferências em um conjunto inicial de dados conhecidos que são alimentados a ele e, em seguida, usam o que aprenderam com esse treinamento para tomar decisões sobre um novo conjunto de dados desconhecidos.

“Para cada tipo diferente de aplicação de bateria, de telefones celulares a veículos elétricos e armazenamento em rede, a vida útil da bateria é de fundamental importância”, disse o cientista computacional da Argonne, Noah Paulson, autor do estudo. "Ter que fazer o ciclo de uma bateria milhares de vezes até que ela falhe pode levar anos; nosso método cria uma espécie de cozinha de teste computacional onde podemos estabelecer rapidamente o desempenho de diferentes baterias.”

“No momento, a única maneira de avaliar como a capacidade de uma bateria diminui é realmente fazer o ciclo da bateria ”, acrescentou a eletroquímica de Argonne Susan "Sue ”Babinec, outro autor do estudo. "É muito caro e leva muito tempo. ”

De acordo com Paulson, o processo de estabelecer a vida útil da bateria pode ser complicado. "A realidade é que as baterias não duram para sempre e quanto tempo duram depende da maneira como as usamos, bem como do design e da química ”, disse ele. "Até agora, não havia realmente uma ótima maneira de saber quanto tempo uma bateria vai durar. As pessoas vão querer saber quanto tempo têm até que precisem gastar dinheiro em uma nova bateria.”

Um aspecto único do estudo é que ele se baseou em um extenso trabalho experimental feito em Argonne em uma variedade de materiais de cátodo de bateria, especialmente o cátodo patenteado de níquel-manganês-cobalto (NMC) de Argonne. "Tínhamos baterias que representavam diferentes químicas, que tinham maneiras diferentes de se degradar e falhar ”, disse Paulson. "O valor deste estudo é que ele nos deu sinais característicos do desempenho de diferentes baterias. ”

Um estudo mais aprofundado nesta área tem o potencial de orientar o futuro das baterias de íons de lítio, disse Paulson. "Uma das coisas que podemos fazer é treinar o algoritmo em uma química conhecida e fazer previsões em uma química desconhecida ”, disse ele. "Essencialmente, o algoritmo pode nos ajudar a apontar na direção de produtos químicos novos e aprimorados que oferecem uma vida útil mais longa. ”

Desta forma, Paulson acredita que o algoritmo de aprendizado de máquina poderia acelerar o desenvolvimento e teste de materiais de bateria. "Digamos que você tenha um novo material e o recicle algumas vezes. Você pode usar nosso algoritmo para prever sua longevidade e, em seguida, tomar decisões sobre se deseja continuar a ciclá-lo experimentalmente ou não.”

“Se você é pesquisador em um laboratório, pode descobrir e testar muito mais materiais em menos tempo porque tem uma maneira mais rápida de avaliá-los”, acrescentou Babinec.

Um artigo baseado no estudo, "A engenharia de recursos para aprendizado de máquina permitiu a previsão antecipada da vida útil da bateria ”, apareceu na edição on-line de 25 de fevereiro do Journal of Power

Simulação por computador modela com precisão carros em movimento Pele eletrônica antecipa e percebe o toque de diferentes direções pela primeira vez