Akkulebensdauer mit maschinellem Lernen vorhersagen

In einer neuen Studie haben sich Forscher des Argonne National Laboratory des US-Energieministeriums (DOE) dem maschinellen Lernen zugewandt, um die Lebensdauer einer Vielzahl unterschiedlicher Batteriechemien vorherzusagen. Durch die Verwendung experimenteller Daten, die in Argonne von einem Satz von 300 Batterien gesammelt wurden, die sechs verschiedene Batteriechemien darstellen, können die Wissenschaftler genau bestimmen, wie lange verschiedene Batterien noch Zyklen durchlaufen werden.

In einem maschinellen Lernalgorithmus trainieren Wissenschaftler ein Computerprogramm, um Rückschlüsse auf einen anfänglichen Satz bekannter Daten zu ziehen, die ihm zugeführt werden, und nehmen dann das, was es aus diesem Training gelernt hat, um Entscheidungen über einen neuen Satz unbekannter Daten zu treffen.

„Für jede Art von Batterieanwendung, von Mobiltelefonen über Elektrofahrzeuge bis hin zu Netzspeichern, ist die Batterielebensdauer von grundlegender Bedeutung“, sagte der Argonne-Computerwissenschaftler Noah Paulson, ein Autor der Studie. ​"Einen Akku tausende Male zyklieren zu müssen, bis er versagt, kann Jahre dauern; Unsere Methode schafft eine Art rechnerische Testküche, in der wir schnell feststellen können, wie sich verschiedene Batterien verhalten werden.“

„Im Moment besteht die einzige Möglichkeit, zu bewerten, wie die Kapazität in einer Batterie nachlässt, darin, die Batterie tatsächlich zu zyklieren“, fügte die Argonne-Elektrochemikerin Susan ​„Sue“ Babinec, eine weitere Autorin der Studie, hinzu. ​"Es ist sehr teuer und es dauert lange."

Laut Paulson kann die Bestimmung der Batterielebensdauer schwierig sein. ​"Die Realität ist, dass Batterien nicht ewig halten, und wie lange sie halten, hängt von der Art und Weise ab, wie wir sie verwenden, sowie von ihrem Design und ihrer Chemie", sagte er. ​"Bisher gab es wirklich keine gute Möglichkeit zu wissen, wie lange eine Batterie hält. Die Leute werden wissen wollen, wie lange sie noch Zeit haben, bis sie Geld für eine neue Batterie ausgeben müssen.“

Ein einzigartiger Aspekt der Studie ist, dass sie sich auf umfangreiche experimentelle Arbeiten stützte, die bei Argonne an einer Vielzahl von Batteriekathodenmaterialien durchgeführt wurden, insbesondere an Argonnes patentierter Nickel-Mangan-Kobalt (NMC)-basierter Kathode. ​"Wir hatten Batterien, die unterschiedliche Chemien repräsentierten, die unterschiedliche Arten von Abbau und Ausfall haben würden “, sagte Paulson. ​"Der Wert dieser Studie besteht darin, dass sie uns Signale lieferte, die für die Leistung verschiedener Batterien charakteristisch sind.“

Weitere Studien in diesem Bereich haben das Potenzial, die Zukunft von Lithium-Ionen-Batterien zu lenken, sagte Paulson. ​"Eines der Dinge, die wir tun können, ist, den Algorithmus auf eine bekannte Chemie zu trainieren und ihn Vorhersagen über eine unbekannte Chemie machen zu lassen “, sagte er. ​"Im Wesentlichen kann der Algorithmus uns dabei helfen, die Richtung zu neuen und verbesserten Chemikalien mit längerer Lebensdauer aufzuzeigen."

Paulson glaubt, dass der maschinelle Lernalgorithmus auf diese Weise die Entwicklung und Prüfung von Batteriematerialien beschleunigen könnte. ​„Nehmen wir an, Sie haben ein neues Material und Sie radeln es ein paar Mal. Sie könnten unseren Algorithmus verwenden, um seine Langlebigkeit vorherzusagen, und dann Entscheidungen treffen, ob Sie es experimentell weiterfahren möchten oder nicht.“

„Als Forscher in einem Labor können Sie viel mehr Materialien in kürzerer Zeit entdecken und testen, weil Sie sie schneller auswerten können“, fügte Babinec hinzu.

Ein auf der Studie basierendes Papier ​„Feature Engineering for Machine Learning Enabled Early Prediction of Battery Life“ erschien in der Online-Ausgabe des Journal of Power