Imagu mediumon dirantan al viaj gepatroj, en la tago de via naskiĝo, kiom longe vi vivos. Simila sperto eblas por bateriaj kemiistoj, kiuj uzas novajn komputilajn modelojn por kalkuli la vivdaŭron de baterioj surbaze de eĉ nur unu ciklo de eksperimentaj datumoj.

En nova studo, esploristoj ĉe la Argonne Nacia Laboratorio de la Usona Departemento pri Energio (DOE) turnis sin al la povo de maŝinlernado por antaŭdiri la vivdaŭrojn de vasta gamo da 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 daŭre ciklos.

Esploristoj de Argonne uzis maŝinlernadajn modelojn por fari antaŭdirojn pri la ciklovivo de baterio por vasta gamo da malsamaj kemiaĵoj. (Bildo de Shutterstock/Sealstep.)

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

“Por ĉiu malsama speco de bateriapliko, de poŝtelefonoj ĝis elektraj veturiloj ĝis stokado en reto, la bateria vivdaŭro estas fundamenta por ĉiu konsumanto,” diris la komputila sciencisto Noah Paulson de Argonne, aŭtoro de la studo. “Devi cikli baterion milojn da fojoj ĝis ĝi paneas povas daŭri jarojn; nia metodo kreas specon de komputila testkuirejo, kie ni povas rapide konstati kiel malsamaj baterioj funkcios.”

“Nuntempe, la sola maniero taksi kiel la kapacito en baterio malpliiĝas estas fakte cikli la baterion,” aldonis la elektrokemiisto de Argonne, Susan “Sue” Babinec, alia aŭtoro de la studo. “Ĝi estas tre multekosta kaj daŭras longe.”

Laŭ Paulson, la procezo de determinado de la vivdaŭro de baterio povas esti malfacila. “La realo estas, ke baterioj ne daŭras eterne, kaj kiom longe ili daŭras dependas de la maniero, kiel ni uzas ilin, same kiel de ilia dezajno kaj ilia kemio,” li diris. “Ĝis nun, vere ne ekzistis bona maniero scii kiom longe baterio daŭros. Homoj volos scii kiom longe ili havas ĝis ili devos elspezi monon por nova baterio.”

Unu unika aspekto de la studo estas, ke ĝi fidis je ampleksa eksperimenta laboro farita ĉe Argonne pri diversaj baterioj-katodaj materialoj, precipe la patentita nikelo-mangano-kobalto (NMC)-bazita katodo de Argonne. "Ni havis bateriojn, kiuj reprezentis malsamajn kemiojn, kiuj havas malsamajn manierojn, kiel ili degradiĝus kaj difektiĝus," diris Paulson. "La valoro de ĉi tiu studo estas, ke ĝi donis al ni signalojn, kiuj estas karakterizaj por kiel malsamaj baterioj funkcias."

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

Tiel, Paulson kredas, ke la maŝinlernada algoritmo povus akceli la disvolvon kaj testadon de bateriaj materialoj. “Ni diru, ke vi havas novan materialon, kaj vi ciklas ĝin kelkajn fojojn. Vi povus uzi nian algoritmon por antaŭdiri ĝian longdaŭrecon, kaj poste decidi ĉu vi volas daŭre cikli ĝin eksperimente aŭ ne.”

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

Artikolo bazita sur la studo,Trajtoj por maŝinlernado ebligis fruan antaŭdiron de la daŭro de la baterio„”, aperis en la reta eldono de la 25-a de februaro de la Journal of Power Sources.

Aldue al Paulson kaj Babinec, aliaj aŭtoroj de la artikolo inkluzivas Joseph Kubal, Logan Ward, Saurabh Saxena kaj Wenquan Lu el Argonne.

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