Imagjinoni një fallxhore që u thotë prindërve tuaj, ditën që keni lindur, se sa gjatë do të jetoni. Një përvojë e ngjashme është e mundur për kimistët e baterive të cilët po përdorin modele të reja llogaritëse për të llogaritur jetëgjatësinë e baterive bazuar në vetëm një cikël të vetëm të dhënash eksperimentale.

Në një studim të ri, studiuesit në Laboratorin Kombëtar Argonne të Departamentit të Energjisë të SHBA-së (DOE) i janë drejtuar fuqisë së të mësuarit automatik për të parashikuar jetëgjatësinë e një game të gjerë kimikash të ndryshme të baterive. Duke përdorur të dhëna eksperimentale të mbledhura në Argonne nga një grup prej 300 baterish që përfaqësojnë gjashtë kimikate të ndryshme të baterive, shkencëtarët mund të përcaktojnë me saktësi se sa gjatë do të vazhdojnë të ciklin bateritë e ndryshme.

Studiuesit e Argonne kanë përdorur modele të të mësuarit automatik për të bërë parashikime të jetëgjatësisë së baterisë për një gamë të gjerë kimikatesh të ndryshme. (Imazhi nga Shutterstock/Sealstep.)

Në një algoritëm të të mësuarit automatik, shkencëtarët trajnojnë një program kompjuterik për të nxjerrë përfundime mbi një grup fillestar të dhënash dhe më pas përdorin atë që ka mësuar nga ai trajnim për të marrë vendime mbi një grup tjetër të dhënash.

“Për çdo lloj aplikimi të ndryshëm të baterisë, nga telefonat celularë te automjetet elektrike e deri te ruajtja e të dhënave në rrjet, jetëgjatësia e baterisë është me rëndësi themelore për çdo konsumator”, tha shkencëtari kompjuterik i Argonne, Noah Paulson, një autor i studimit. “Të duhet të ciklizosh një bateri mijëra herë derisa të dështojë mund të duhen vite; metoda jonë krijon një lloj kuzhine testimi kompjuterik ku mund të përcaktojmë shpejt se si do të performojnë bateri të ndryshme.”

“Tani për tani, e vetmja mënyrë për të vlerësuar se si zvogëlohet kapaciteti i një baterie është ta ciklizojmë baterinë”, shtoi elektrokimistja nga Argonne, Susan “Sue” Babinec, një tjetër autore e studimit. “Është shumë e kushtueshme dhe kërkon shumë kohë.”

Sipas Paulson, procesi i përcaktimit të jetëgjatësisë së baterisë mund të jetë i ndërlikuar. “Realiteti është se bateritë nuk zgjasin përgjithmonë dhe kohëzgjatja e tyre varet nga mënyra se si i përdorim, si dhe nga dizajni dhe kimia e tyre”, tha ai. “Deri më tani, nuk ka pasur një mënyrë të mirë për të ditur se sa do të zgjasë një bateri. Njerëzit do të duan të dinë se sa kohë kanë derisa të duhet të shpenzojnë para për një bateri të re.”

Një aspekt unik i studimit është se ai mbështetej në punën e gjerë eksperimentale të bërë në Argonne mbi një sërë materialesh katode të baterive, veçanërisht katodën e patentuar të Argonne me bazë nikel-mangan-kobalt (NMC). "Ne kishim bateri që përfaqësonin kimikate të ndryshme, që kanë mënyra të ndryshme se si ato do të degradoheshin dhe do të dështonin", tha Paulson. "Vlera e këtij studimi është se na dha sinjale që janë karakteristike për mënyrën se si funksionojnë bateritë e ndryshme."

Studime të mëtejshme në këtë fushë kanë potencialin të orientojnë të ardhmen e baterive litium-jon, tha Paulson. “Një nga gjërat që jemi në gjendje të bëjmë është ta trajnojmë algoritmin në një kimi të njohur dhe ta bëjmë të bëjë parashikime mbi një kimi të panjohur”, tha ai. “Në thelb, algoritmi mund të na ndihmojë të orientohemi në drejtimin e kimikateve të reja dhe të përmirësuara që ofrojnë jetëgjatësi më të madhe.”

Në këtë mënyrë, Paulson beson se algoritmi i të mësuarit automatik mund të përshpejtojë zhvillimin dhe testimin e materialeve të baterive. "Le të themi se keni një material të ri dhe e ciklini atë disa herë. Mund ta përdorni algoritmin tonë për të parashikuar jetëgjatësinë e tij dhe më pas të merrni vendime nëse doni të vazhdoni ta ciklini atë eksperimentalisht apo jo."

“Nëse je studiues në një laborator, mund të zbulosh dhe testosh shumë më tepër materiale në një kohë më të shkurtër sepse ke një mënyrë më të shpejtë për t’i vlerësuar ato”, shtoi Babinec.

Një punim i bazuar në studimin, "Inxhinieria e veçorive për të mësuarit automatik mundësoi parashikimin e hershëm të jetëgjatësisë së baterisë“, u shfaq në botimin online të 25 shkurtit të Journal of Power Sources.

Përveç Paulson dhe Babinec, autorë të tjerë të punimit përfshijnë Joseph Kubal nga Argonne, Logan Ward, Saurabh Saxena dhe Wenquan Lu.

Studimi u financua nga një grant i Kërkimit dhe Zhvillimit të Drejtuar nga Laboratori Argonne (LDRD).