Дослідники Мічиганського університету створили інноваційний інструмент на основі штучного інтелекту, що суттєво прискорює прогнозування терміну служби літій-іонних акумуляторів. Нова розробка використовує дані попередніх експериментів для оцінки тривалості роботи нових типів батарей, потребуючи для точного прогнозу лише 50 циклів заряджання-розряджання замість тисяч, як це було раніше.
Про це розповідає ProIT
Можливості та ефективність ШІ-моделі
Система, розроблена інженерами університету, може швидко визначати, скільки циклів витримає батарея до зниження її місткості нижче 90% від початкової. Це дає можливість скоротити час досліджень із місяців і навіть років до кількох днів або тижнів, а також суттєво економити електроенергію, що витрачається на тестування. За оцінками розробників, новий підхід дозволяє прогнозувати термін служби батарей, використовуючи лише 5% енергії та 2% часу, необхідних для традиційних випробувань.
“Вивчаючи історичні конструкції батарей, ми використовуємо фізичні принципи для побудови узагальненої залежності між випробуваннями на ранніх етапах і терміном служби. Ми можемо мінімізувати експериментальні зусилля і досягти високоточного прогнозування для нових конструкцій батарей”, — зазначає науковець з кафедри електротехніки та обчислювальної техніки Мічиганського університету та провідний автор дослідження Цзію Сонг.
Дослідження проводилось у співпраці з Farasis Energy US — каліфорнійською компанією, яка надала дані для тестування та проєктування акумуляторів. Всі розрахунки виконувались на основі відкритих загальнодоступних даних, що підтверджує універсальність запропонованої моделі.
Особливості підходу та подальші перспективи
Розроблений штучний інтелект побудований на принципах навчання через відкриття, що дозволяє моделі самостійно знаходити рішення, спираючись на попередній досвід і знання. Після розв’язання багатьох завдань система вже не потребує додаткових ресурсів для аналогічних задач у майбутньому.
Команда дослідників навчила модель прогнозувати термін служби батарей, враховуючи конструкцію, температуру, струм та інші умови циклічної роботи. Система вибирає для тестування акумулятори, що заповнюють інформаційні прогалини, проводить приблизно 50 циклів експериментів, після чого отримані дані аналізує інтерпретатор за допомогою фізичних симуляторів та історичних даних. Це дозволяє отримувати точні прогнози навіть для акумуляторів з новою конструкцією.
На відміну від традиційних підходів, де аналізуються статистичні характеристики струму та напруги, новий інструмент базується на фізичних властивостях, що властиві усім типам батарей. Це дає змогу знаходити спільні риси навіть серед принципово різних акумуляторів. Також ШІ враховує вплив експлуатаційних умов — наприклад, різницю в деградації елементів за різних температур.
Під час випробувань на основі даних Farasis Energy модель, навчена на циліндричних елементах, змогла успішно передбачити продуктивність значно більших акумуляторів. Завдяки скороченню кількості випробовуваних елементів та циклів вдалось зекономити до 95% електроенергії. Надалі дослідники планують використовувати цей підхід для оцінки й інших важливих параметрів батарей — зокрема, безпеки та швидкості заряджання.
Li-ion батареї нового покоління помітно відрізняються за будовою та матеріалами, проте між ними існують спільні закономірності, які можна враховувати для точного прогнозування їх характеристик. Такий підхід відкриває нові можливості для розробки ефективних і довговічних акумуляторів для різних галузей.
Результати дослідження оприлюднені у журналі Nature.