Imagu psikiston rakontantan al viaj gepatroj, en la tago de vi naskiĝos, kiom longe vi vivus.Simila sperto estas ebla por bateriaj kemiistoj kiuj uzas novajn komputilajn modelojn por kalkuli bateriajn vivdaŭrojn bazitajn sur eĉ nur ununura ciklo de eksperimentaj datumoj.

En nova studo, esploristoj de la Argonne Nacia Laboratorio de la Usona Departemento de Energio (DOE) turnis sin al la potenco de maŝinlernado por antaŭdiri la vivdaŭrojn de larĝa gamo de malsamaj bateriaj kemioj.Uzante eksperimentajn datumojn kolektitajn ĉe Argonne de aro de 300 baterioj reprezentantaj ses malsamajn bateriajn kemiojn, la sciencistoj povas precize determini kiom longe malsamaj baterioj daŭros bicikli.

Argonne-esploristoj uzis maŝinlernajn modelojn por fari antaŭdirojn pri bateria ciklovivo por larĝa gamo de malsamaj kemioj.(Bildo de Shutterstock/Sealstep.)

En maŝinlernada algoritmo, sciencistoj trejnas komputilan programon por fari konkludojn pri komenca aro de datumoj, kaj tiam prenas tion, kion ĝi lernis de tiu trejnado por fari decidojn pri alia aro de datumoj.

"Por ĉiu malsama speco de bateria aplikaĵo, de poŝtelefonoj ĝis elektraj veturiloj ĝis krada stokado, bateria vivdaŭro estas de fundamenta graveco por ĉiu konsumanto," diris Argonne komputila sciencisto Noah Paulson, aŭtoro de la studo."Devi bicikli baterion milfoje ĝis ĝi malsukcesas povas daŭri jarojn;nia metodo kreas specon de komputila testkuirejo, kie ni povas rapide konstati kiom malsamaj baterioj funkcios."

"Ĝuste nun, la sola maniero taksi kiel la kapablo en kuirilaro forvelkas estas efektive bicikli la kuirilaron," aldonis Argonne-elektrokemiisto Susan "Sue" Babinec, alia aŭtoro de la studo."Ĝi estas tre multekosta kaj ĝi daŭras longan tempon."

Laŭ Paulson, la procezo establi baterian vivdaŭron povas esti malfacila."La realo estas, ke kuirilaroj ne daŭras eterne, kaj kiom longe ili daŭras dependas de la maniero kiel ni uzas ilin, same kiel ilia dezajno kaj ilia kemio," li diris."Ĝis nun, vere ne ekzistas bonega maniero scii kiom longe daŭros kuirilaro.Homoj volas scii kiom da tempo ili havas ĝis ili devos elspezi monon por nova baterio."

Unu unika aspekto de la studo estas ke ĝi dependis de ampleksa eksperimenta laboro farita ĉe Argonne sur gamo da bateriaj katodmaterialoj, aparte la patentita nikel-mangan-kobalto (NMC)-bazita katodo de Argonne."Ni havis bateriojn, kiuj reprezentis malsamajn kemiojn, kiuj havas malsamajn manierojn, ke ili degradis kaj malsukcesus," diris Paulson."La valoro de ĉi tiu studo estas, ke ĝi donis al ni signalojn, kiuj estas karakterizaj pri kiel funkcias malsamaj baterioj."

Plia studo en ĉi tiu areo havas la potencialon gvidi la estontecon de litio-jonaj kuirilaroj, Paulson diris."Unu el la aferoj, kiujn ni kapablas fari, estas trejni la algoritmon pri konata kemio kaj havi ĝin antaŭdiri pri nekonata kemio," li diris."Esence, la algoritmo povas helpi nin direkti al novaj kaj plibonigitaj kemioj, kiuj ofertas pli longajn vivdaŭrojn."

Tiamaniere, Paulson opinias, ke la maŝinlernada algoritmo povus akceli la disvolviĝon kaj testadon de bateriaj materialoj."Diru, ke vi havas novan materialon, kaj vi biciklas ĝin kelkajn fojojn.Vi povus uzi nian algoritmon por antaŭdiri ĝian longvivecon, kaj tiam fari decidojn ĉu vi volas daŭrigi bicikli ĝin eksperimente aŭ ne."

"Se vi estas esploristo en laboratorio, vi povas malkovri kaj testi multajn pli da materialoj en pli mallonga tempo ĉar vi havas pli rapidan manieron taksi ilin," aldonis Babinec.

Artikolo bazita sur la studo, "Karakterizaĵa inĝenierado por maŝinlernado ebligis fruan antaŭdiron de bateria vivdaŭro,” aperis en la reta eldono de la 25-a de februaro de la Journal of Power Sources.

Aldone al Paulson kaj Babinec, aliaj verkintoj de la papero inkludas Joseph Kubal de Argonne, Logan Ward, Saurabh Saxena kaj Wenquan Lu.

La studo estis financita de Argonne Laboratory-Directed Research and Development (LDRD) stipendio.