Britští vědci využívají umělou inteligenci k návrhu lepších a bezpečnějších baterií

Technologie návrhu a výroby baterií prochází v posledních letech prudkým vývojem, který táhne rostoucí objem elektronických zařízení, stejně jako jejich větší význam v energetice a na poli elektromobility. Tým vědců ze dvou britských univerzit nyní představil novou metodu založenou na strojovém učení, která dokáže posoudit stav baterie až 10x přesněji než běžně využívané metody. To by podle vědců mělo přispět ve vývoji lepších a bezpečnějších baterií.

Odhadování aktuálního stavu a zbývající životnosti lithium-iontových baterií je jednou z největších překážek, která v současné době omezuje jejich rychlejší rozšiřování, například v oblasti elektromobility. Výkonnost baterie s postupem času a rostoucím počtem nabíjecích a vybíjecích cyklů klesá. Na vině je řada chemických procesů, přičemž jednotlivě podle vědců nemají žádný zásadní vliv na životnost baterie, avšak jejich kombinace ji může výrazně ovlivnit.

Současné neinvazivní metody, které se využívají pro posouzení stavu baterie bez jejího mechanického poškození, jsou běžně založeny na měření napětí a proudu během jejího nabíjení a vybíjení. Tyto metody však nedokáží detailně posoudit důležité faktory, které vypovídají o stavu baterie. Novou cestu by však mohla nabídnout umělá inteligence, která začíná pomalu pronikat do mnoha průmyslových odvětví.

Strojové učení má nabídnout neinvazivní diagnostiku baterií

Britští vědci z univerzit v Cambridgi a Newcastlu tak navrhli novou neinvazivní metodu monitorování stavu baterií založenou na technologii strojového učení, která spočívá ve vysílání elektrických signálů do baterie a analýze její odezvy.

„Bezpečnost a spolehlivost jsou nejdůležitějšími kritérii v době, kdy vyvíjíme baterie, které dokáží uskladnit mnoho energie v malém prostoru. Věřím, že vylepšení softwaru pro sledování nabíjení a vybíjení a využitím softwaru pro řízení nabíjecích procesů založeného na datech, můžeme dosáhnout značného vylepšení výkonnosti baterií,“ říká jeden z vedoucích projektu, Alpha Lee z Cavendishovy laboratoře při Cambridgeské univerzitě.

K analýze velkého objemu získaných dat vědci využili techniku strojové učení, formy umělé inteligence. Pro vytrénování svého modelu vědci provedli více než 20 tisíc experimentálních měření, čímž získali údajně vůbec největší podobnou datovou sadu. Takto velký počet měření je nezbytný pro to, aby model dokázal odlišit důležité signály od bezvýznamného šumu.

Podle vědců by jejich model rovněž mohl poskytnout cenné informace o mechanismu stárnutí baterií. Model může identifikovat elektrické signály, které jsou nejsilněji korelovány se stárnutím, což by vědcům ve výsledku mohlo pomoci navrhnout specifické experimenty pro další zkoumání proč a jak baterie degradují.

„Strojové učení doplňuje a vylepšuje fyzikální porozumění. Interpretovatelné signály identifikované naším modelem jsou výchozím bodem pro budoucí teoretické a experimentální studie,“ říká vedoucí studie Yunwei Zhang z Cavendishovy laboratoře.

Vědci nyní využívají svou platformu pro porozumění degradace různých typů baterií a zároveň vyvíjí protokoly pro optimalizaci nabíjení baterií za pomoci strojového učení, které by měly umožnit rychlé dobíjení při minimalizaci degradace baterie.