Исследователи Мичиганского университета создали инновационный инструмент на основе искусственного интеллекта, который существенно ускоряет прогнозирование срока службы литий-ионных аккумуляторов. Новая разработка использует данные предыдущих экспериментов для оценки продолжительности работы новых типов батарей, требуя для точного прогноза лишь 50 циклов зарядки-разрядки вместо тысяч, как это было ранее.
Об этом сообщает ProIT
Возможности и эффективность ИИ-модели
Система, разработанная инженерами университета, может быстро определять, сколько циклов выдержит батарея до снижения её ёмкости ниже 90% от начальной. Это позволяет сократить время исследований с месяцев и даже лет до нескольких дней или недель, а также существенно экономить электроэнергию, затрачиваемую на тестирование. По оценкам разработчиков, новый подход позволяет прогнозировать срок службы батарей, используя лишь 5% энергии и 2% времени, необходимых для традиционных испытаний.
«Изучая исторические конструкции батарей, мы используем физические принципы для построения обобщённой зависимости между испытаниями на ранних этапах и сроком службы. Мы можем минимизировать экспериментальные усилия и достичь высокоточного прогнозирования для новых конструкций батарей», — отмечает учёный с кафедры электротехники и вычислительной техники Мичиганского университета и ведущий автор исследования Цзюй Сонг.
Исследование проводилось в сотрудничестве с Farasis Energy US — калифорнийской компанией, которая предоставила данные для тестирования и проектирования аккумуляторов. Все расчёты выполнялись на основе открытых общедоступных данных, что подтверждает универсальность предложенной модели.
Особенности подхода и дальнейшие перспективы
Разработанный искусственный интеллект построен на принципах обучения через открытие, что позволяет модели самостоятельно находить решения, опираясь на предыдущий опыт и знания. После решения множества задач система уже не требует дополнительных ресурсов для аналогичных задач в будущем.
Команда исследователей обучила модель прогнозировать срок службы батарей, учитывая конструкцию, температуру, ток и другие условия циклической работы. Система выбирает для тестирования аккумуляторы, которые заполняют информационные пробелы, проводит примерно 50 циклов экспериментов, после чего полученные данные анализирует интерпретатор с помощью физических симуляторов и исторических данных. Это позволяет получать точные прогнозы даже для аккумуляторов с новой конструкцией.
В отличие от традиционных подходов, где анализируются статистические характеристики тока и напряжения, новый инструмент базируется на физических свойствах, присущих всем типам батарей. Это позволяет находить общие черты даже среди принципиально различных аккумуляторов. Также ИИ учитывает влияние эксплуатационных условий — например, разницу в деградации элементов при различных температурах.
Во время испытаний на основе данных Farasis Energy модель, обученная на цилиндрических элементах, смогла успешно предсказать производительность значительно больших аккумуляторов. Благодаря сокращению количества испытываемых элементов и циклов удалось сэкономить до 95% электроэнергии. В дальнейшем исследователи планируют использовать этот подход для оценки и других важных параметров батарей — в частности, безопасности и скорости зарядки.
Li-ion батареи нового поколения заметно отличаются по строению и материалам, однако между ними существуют общие закономерности, которые можно учитывать для точного прогнозирования их характеристик. Такой подход открывает новые возможности для разработки эффективных и долговечных аккумуляторов для различных отраслей.
Результаты исследования опубликованы в журнале Nature.