Doğduğunuz gün bir medyumun anne babanıza ne kadar yaşayacağınızı söylediğini hayal edin.Benzer bir deneyim, tek bir deneysel veri döngüsüne dayalı olarak pil ömrünü hesaplamak için yeni hesaplamalı modeller kullanan pil kimyagerleri için de mümkündür.

Yeni bir çalışmada, ABD Enerji Bakanlığı'nın (DOE) Argonne Ulusal Laboratuvarı'ndaki araştırmacılar, çok çeşitli farklı pil kimyalarının ömrünü tahmin etmek için makine öğreniminin gücüne yöneldiler.Bilim insanları, altı farklı pil kimyasını temsil eden 300 pilden oluşan bir setten Argonne'da toplanan deneysel verileri kullanarak, farklı pillerin ne kadar süreyle döngüye devam edeceğini doğru bir şekilde belirleyebiliyor.

Argonne araştırmacıları, çok çeşitli farklı kimyalar için pil döngüsü ömrüne ilişkin tahminler yapmak amacıyla makine öğrenimi modellerini kullandı.(Resim: Shutterstock/Sealstep.)

Bir makine öğrenimi algoritmasında, bilim insanları bir bilgisayar programını başlangıçtaki bir veri kümesi üzerinde çıkarımlar yapacak şekilde eğitir ve daha sonra bu eğitimden öğrendiklerini başka bir veri kümesi üzerinde kararlar almak için kullanır.

Araştırmanın yazarı Argonne hesaplamalı bilim adamı Noah Paulson, "Cep telefonlarından elektrikli araçlara ve şebeke depolamaya kadar her farklı türde pil uygulamasında pil ömrü her tüketici için temel öneme sahiptir" dedi.​"Bir pili arızalanana kadar binlerce kez döngüye sokmak yıllar alabilir;Yöntemimiz, farklı pillerin nasıl performans göstereceğini hızlı bir şekilde belirleyebileceğimiz bir tür hesaplamalı test mutfağı yaratıyor."

Argonne elektrokimyacısı Susan ​"Sue” Babinec, çalışmanın başka bir yazarı "Şu anda bir pilin kapasitesinin nasıl azaldığını değerlendirmenin tek yolu pili gerçekten döngüye almaktır" diye ekledi.​"Çok pahalı ve uzun zaman alıyor. ”

Paulson'a göre pil ömrünü belirleme süreci zorlu olabilir.​"Gerçek şu ki piller sonsuza kadar dayanmaz ve ne kadar süre dayanacakları onları kullanma şeklimizin yanı sıra tasarımlarına ve kimyalarına da bağlıdır” dedi.​"Şimdiye kadar bir pilin ne kadar dayanacağını bilmenin harika bir yolu yoktu.İnsanlar yeni bir bataryaya para harcamak zorunda kalana kadar ne kadar zamanları olduğunu bilmek isteyecekler."

Çalışmanın benzersiz bir yönü, Argonne'da çeşitli pil katot malzemeleri, özellikle de Argonne'un patentli nikel-manganez-kobalt (NMC) bazlı katot üzerinde yapılan kapsamlı deneysel çalışmalara dayanmasıdır.​"Farklı kimyaları temsil eden, farklı yollarla bozunacak ve başarısız olacak pillerimiz vardı," dedi Paulson.​"Bu çalışmanın değeri, bize farklı pillerin nasıl performans gösterdiğine dair karakteristik sinyaller vermesidir. "

Paulson, bu alanda daha fazla çalışmanın lityum iyon pillerin geleceğine rehberlik etme potansiyeline sahip olduğunu söyledi.​"Yapabildiğimiz şeylerden biri, algoritmayı bilinen bir kimya üzerinde eğitmek ve bilinmeyen bir kimya hakkında tahminlerde bulunmasını sağlamaktır” dedi.​"Aslında algoritma bizi daha uzun ömürler sunan yeni ve geliştirilmiş kimyalara yönlendirmeye yardımcı olabilir. "

Paulson, bu şekilde makine öğrenimi algoritmasının pil malzemelerinin geliştirilmesini ve test edilmesini hızlandırabileceğine inanıyor.​"Yeni bir materyaliniz olduğunu ve onu birkaç kez çevirdiğinizi varsayalım.Algoritmamızı ömrünü tahmin etmek için kullanabilir ve ardından deneysel olarak döngüye devam etmek isteyip istemediğinize karar verebilirsiniz."

Babinec, "Laboratuvarda araştırmacıysanız, daha kısa sürede çok daha fazla malzeme keşfedebilir ve test edebilirsiniz, çünkü bunları değerlendirmenin daha hızlı bir yolu vardır" diye ekledi Babinec.

Çalışmaya dayanan bir makale, ​"Makine öğrenimine yönelik özellik mühendisliği, pil ömrünün erken tahmin edilmesini sağladı", Journal of Power Sources dergisinin 25 Şubat çevrimiçi baskısında yayınlandı.

Makalenin diğer yazarları arasında Paulson ve Babinec'in yanı sıra Argonne'dan Joseph Kubal, Logan Ward, Saurabh Saxena ve Wenquan Lu da yer alıyor.

Çalışma, Argonne Laboratuvarına Yönelik Araştırma ve Geliştirme (LDRD) hibesi ile finanse edildi.