Литиево-йонните батерии се превърнаха в ключов компонент за възхода на електрическата мобилност, но прогнозирането на тяхното здраве и продължителност на живота ограничава технологията.

Въпреки че се оказаха успешни, капацитетът на литиево-йонните батерии се влошава с течение на времето, включително поради процеса на стареене, който протича по време на зареждане и разреждане, известен като „циклично стареене“.

Литиево-йонните батерийни клетки също страдат от деградация от така нареченото „стареене по календар“, което се случва по време на съхранение или просто когато батерията не се използва. Определя се от три основни фактора: състояние на покой на зареждане (SOC), температура на покой и продължителност на времето на покой на батерията.

Като се има предвид, че електрическото превозно средство ще прекара по-голямата част от живота си паркирано, прогнозирането на влошаването на капацитета на клетките от стареенето на календара е от решаващо значение; тя може да удължи живота на батерията и да проправи пътя за механизми, които дори биха могли да заобиколят явлението.

Поради тази причина изследователите използват усъвършенствани алгоритми за машинно обучение, за да предскажат точно остаряването по календара.

В скорошно проучване, финансирано от програмата Horizon 2020 на ЕС, екип от учени направиха изследването още една крачка напред, като сравниха точността на два алгоритъма в широкия спектър от комерсиални химикали на литиево-йонни батерии.

По-конкретно, те изтеглиха данни за стареене по календара от шест типа химикали на батерийни клетки: литиев кобалтов оксид (LCO), литиев железен фосфат (LIP), литиев манганов оксид (LMO), литиев титанов оксид (LTO), никел кобалтов алуминиев оксид (NCA) и никел манган кобалтов оксид (NMC).

Тези батерийни клетки бяха календарно остарели в температурни камери при 50, 60 и 70 градуса по Целзий, използвайки високо, средно и ниско напрежение.

За да предвиди стареенето, екипът изследва ефективността на два алгоритъма за машинно обучение: екстремно градиентно усилване (XGBoost) и изкуствена невронна мрежа (ANN). И двата алгоритъма бяха избрани заради способността им да дават надеждни резултати, но се различават значително в работата си.

XGBoost е базиран на дърво на решенията, най-съвременен контролиран алгоритъм за машинно обучение, който се използва широко при проблеми с регресия или класификация. ANN е изкуствена адаптивна система, която използва своите базови елементи, наречени неврони и връзки, за да трансформира цялостната превъзходна производителност на своя глобален XGB, и по-специално по отношение на химията на батериите, които доминират в автомобилната индустрия (NCA, NMC, LFP), показва, че може да бъде включени в софтуера за приложение на EV батерии за успешно прогнозиране на ефектите от стареене и осигуряване на по-добър експлоатационен живот на батериите на електрически превозни средства.

Сега остава да се види кои стъпки трябва да се предприемат, за да се превърнат резултатите от изследването в търговски приложения.

Снимка: Unsplash

Виж още: Странни дупки на океанското дъно – портал към мистериозен свят?

 



Източник