Präzise Batterielebensdauer-Vorhersage mit KI – DOE Argonne Studie

In einer neuen Studie haben Forscher am U.S. Department of Energy's (DOE) Argonne National Laboratory maschinelles Lernen eingesetzt, um die Lebensdauer einer breiten Palette verschiedener Batteriechemien vorherzusagen. Durch die Verwendung von Experimentaldaten, die an 300 Batterien gesammelt wurden, die sechs verschiedene Batteriechemien repräsentieren, können die Wissenschaftler genau bestimmen, wie lange verschiedene Batterien weiter zyklieren werden.

In einem Machine-Learning-Algorithmus trainieren Wissenschaftler ein Computerprogramm, um Schlussfolgerungen aus einem initialen Satz bekannter Daten zu ziehen, die ihm zugeführt werden, und dann das Gelernte aus diesem Training zu nutzen, um Entscheidungen über einen neuen Satz unbekannter Daten zu treffen.

„Für jede Art von Batterieanwendung, von Handys über Elektrofahrzeuge bis hin zu Netzspeichern, ist die Batterielebensdauer von fundamentaler Bedeutung“, sagte Argonne-Computational-Scientist Noah Paulson, ein Autor der Studie. „Das Zyklieren einer Batterie tausende Male bis zum Versagen kann Jahre dauern; unsere Methode schafft eine Art computergestützte Testküche, in der wir schnell feststellen können, wie sich verschiedene Batterien verhalten werden.“

„Derzeit ist der einzige Weg, um zu bewerten, wie die Kapazität in einer Batterie abnimmt, die Batterie tatsächlich zu zyklieren“, fügte Argonne-Elektrochemikerin Susan „Sue“ Babinec, eine weitere Autorin der Studie, hinzu. „Das ist sehr teuer und dauert lange.“

Laut Paulson kann der Prozess der Festlegung einer Batterielebensdauer knifflig sein. „Die Realität ist, dass Batterien nicht ewig halten, und wie lange sie halten, hängt davon ab, wie wir sie nutzen, sowie von ihrem Design und ihrer Chemie“, sagte er. „Bisher gab es wirklich keine gute Möglichkeit zu wissen, wie lange eine Batterie halten wird. Die Leute werden wissen wollen, wie lange sie haben, bis sie Geld für eine neue Batterie ausgeben müssen.“

Ein einzigartiger Aspekt der Studie ist, dass sie auf umfangreicher experimenteller Arbeit beruhte, die an Argonne an einer Vielzahl von Batteriekathodenmaterialien durchgeführt wurde, insbesondere an Argonne's patentiertem Nickel-Mangan-Kobalt (NMC)-basierten Kathodenmaterial. „Wir hatten Batterien, die verschiedene Chemien repräsentierten, die unterschiedliche Arten der Degradation und des Versagens aufweisen“, sagte Paulson. „Der Wert dieser Studie ist, dass sie uns Signale gab, die charakteristisch dafür sind, wie sich verschiedene Batterien verhalten.“

Weitere Studien in diesem Bereich haben das Potenzial, die Zukunft von Lithium-Ionen-Batterien zu leiten, sagte Paulson. „Eines der Dinge, die wir tun können, ist, den Algorithmus auf einer bekannten Chemie zu trainieren und ihn Vorhersagen auf einer unbekannten Chemie treffen zu lassen“, sagte er. „Im Wesentlichen kann der Algorithmus uns in die Richtung neuer und verbesserter Chemien weisen, die längere Lebensdauern bieten.“

Auf diese Weise glaubt Paulson, dass der Machine-Learning-Algorithmus die Entwicklung und Prüfung von Batteriematerialien beschleunigen könnte. „Sagen Sie, Sie haben ein neues Material, und Sie zyklieren es ein paar Mal. Sie könnten unseren Algorithmus nutzen, um seine Langlebigkeit vorherzusagen, und dann entscheiden, ob Sie es weiterhin experimentell zyklieren wollen oder nicht.“

„Wenn Sie Forscher in einem Labor sind, können Sie in kürzerer Zeit viele mehr Materialien entdecken und testen, weil Sie einen schnelleren Weg haben, sie zu bewerten“, fügte Babinec hinzu.

Ein Papier basierend auf der Studie, „Feature engineering for machine learning enabled early prediction of battery lifetime“, erschien in der Online-Ausgabe vom 25. Februar des Journal of Power Sources.