AI predice con exactitud la vida útil de las baterías | Noticias de Stanford

Si los fabricantes de teléfonos celulares baterías podría decir que las células durará al menos dos años, entonces ellos podrían vender sólo a aquellos a los fabricantes de teléfonos y enviar el resto a los responsables de los menos exigentes dispositivos. Una nueva investigación muestra cómo los fabricantes pueden hacer esto. La técnica podría ser usada no sólo para ordenar fabrican las células, sino para ayudar a los nuevos diseños de batería de llegar al mercado más rápidamente.

profesor del MIT, Richard Braatz, a la izquierda, y William Chueh, profesor asistente en la ciencia de los materiales e ingeniería de la universidad de Stanford, llevó a los investigadores en sus instituciones que desarrollaron una batería mejor técnica de prueba. (crédito de la Imagen: Amos Enshen Lu)

la Combinación completa de los datos experimentales y de la inteligencia artificial reveló la clave para predecir con exactitud la vida útil de las baterías de iones de litio antes de sus capacidades empiezan a disminuir, los científicos de la Universidad de Stanford, el Instituto de Tecnología de Massachusetts y el Toyota Instituto de Investigación descubierto. Después de que los investigadores entrenaron a sus máquina modelo de aprendizaje con un par de cientos de millones de puntos de datos de baterías para la carga y descarga, el algoritmo predice cómo muchos más ciclos de cada batería duraría, basado en la tensión disminuye y un par de otros factores, entre los primeros ciclos.

Las predicciones fueron dentro de un 9 por ciento el número de ciclos de las células de hecho duró. Por separado, el algoritmo clasificados de baterías como de larga o corta esperanza de vida se basa sólo en los primeros cinco ciclos de carga/descarga. Aquí, las predicciones fueron correctas 95 por ciento del tiempo.

Publicado el 25 de Marzo, en la Naturaleza de la Energía, esta máquina método de aprendizaje podría acelerar la investigación y el desarrollo de nuevos diseños de batería y reducir el tiempo y costo de producción, entre otras aplicaciones. Los investigadores han hecho de la conjunto de datos – el más grande de su tipo – a disposición del público.

Ir al sitio web para ver el vídeo.

David Dewhurst

Stanford investigadores desarrollaron una máquina de aprendizaje de la técnica para identificar cuánto baterías pasado.

“La forma estándar de prueba de nuevos diseños de batería se carga y descarga de las células hasta que fallan. Ya que las baterías tienen una vida larga, este proceso puede tomar muchos meses e incluso años”, dijo el co-autor principal Peter Attia, Stanford doctorado en ciencia de materiales e ingeniería. “Es caro un cuello de botella en la batería de investigación.”

El trabajo se llevó a cabo en el Centro de Datos Impulsada por el Diseño de Pilas, un académico-industrial de colaboración que integra la teoría, experimentos y datos de la ciencia. Los investigadores de Stanford, dirigido por el William Chueh, profesor asistente en la ciencia de los materiales e ingeniería, realizó la batería de experimentos. MIT equipo, dirigido por el Richard Braatz, profesor de ingeniería química, se realiza el aprendizaje de la máquina de trabajo. Kristen Severson, co-autor principal de la investigación, completó su doctorado en ingeniería química en el MIT en la primavera pasada.

Optimización de velocidad de carga

Uno de los objetivos del proyecto era encontrar una mejor manera de cargar las baterías en 10 minutos, una característica que podría acelerar la adopción masiva de los vehículos eléctricos. Para generar el conjunto de datos de entrenamiento, el equipo de carga y descarga de las baterías hasta que cada uno alcance el final de su vida útil, la que se define como la pérdida de capacidad de 20 por ciento. En el camino a la optimización de la carga rápida, los investigadores querían averiguar si era necesario para ejecutar sus baterías en el suelo. Puede que la respuesta a una batería pregunta se encuentra en la información a partir de los primeros ciclos?

Stanford estudiantes de posgrado Nicolás Perkins, a la izquierda, Peter Attia y Norman Jin se encuentran entre los investigadores que han encontrado la clave para predecir con exactitud la vida útil de las baterías de iones de litio. (crédito de la Imagen: Dean Deng)

“los Avances en la potencia de cálculo y generación de datos recientemente han permitido el aprendizaje de máquina para acelerar el progreso para una variedad de tareas. Estos incluyen la predicción de las propiedades del material,” Braatz, dijo. “Nuestros resultados muestran cómo se puede predecir el comportamiento de sistemas complejos en el futuro.”

en General, la capacidad de una batería de litio-ion de la batería es estable por un tiempo. A continuación, toma un giro brusco a la baja. La plomada punto varía ampliamente, ya que la mayoría del siglo 21, los consumidores saben. En este proyecto, las baterías durado desde 150 a 2.300 ciclos. Que la variación fue en parte el resultado de las pruebas de los diferentes métodos de carga rápida, pero también debido a la variabilidad de fabricación entre las pilas.

“Por todo el tiempo y dinero que se gasta en el desarrollo de baterías, el progreso es todavía mide en décadas”, dijo el coautor del estudio, Patrick Arenque, un científico en el Toyota Instituto de Investigación. “En este trabajo, estamos reduciendo uno de los que más tiempo consumen pasos – batería de pruebas – por un orden de magnitud.”

Posibles usos

El nuevo método tiene muchas aplicaciones potenciales, Attia, dijo. Por ejemplo, se puede acortar el tiempo para la validación de nuevos tipos de baterías, lo cual es especialmente importante en vista de los rápidos avances en los materiales. Con la técnica de clasificación, vehículo eléctrico de baterías determinado que tienen corta duración de la vida demasiado corta para autos – podría ser utilizado en lugar de a la alimentación de las luces de la calle o copia de seguridad de los centros de datos. Los recicladores podría encontrar células de utilizar EV paquetes de baterías con capacidad suficiente a la izquierda para una segunda vida.

sin Embargo, otra posibilidad es la optimización de la fabricación de baterías. “El último paso en la fabricación de las baterías es la denominada ‘formación’, que puede llevar días, semanas,” Attia, dijo. “Utilizando nuestro enfoque podría acortar significativamente y disminuir el costo de producción.”

Los investigadores ahora están utilizando su modelo para optimizar las formas de la carga de las baterías en tan solo 10 minutos, que dicen que va a cortar el proceso por más de un factor de 10.

Chueh es también un centro de becario en Stanford Precourt Instituto de la Energía, que financió su trabajo exploratorio para este proyecto. Otros co-autores son estudiantes de Stanford Norman Jin, Nicolás Perkins y Michael Chen; Profesor del MIT Martin Bazant, postdoc Benben Jiang y estudiante de Dimitrios Fraggedakis; Muratahan Aykol en Toyota Instituto de Investigación; Stephen Harris en el Laboratorio Nacional Lawrence Berkeley y profesor visitante en la universidad de Stanford; y de la Universidad de Michigan estudiante Zi Yang, una de Stanford pasante.

Este trabajo fue apoyado por el Toyota, el Instituto de Investigación de Thomas V. Jones Stanford Graduate Fellowship, la Fundación Nacional de la Ciencia, SAIC a través de Stanford Energía 3.0, y el Departamento de Energía.

Para leer todas las historias acerca de Stanford ciencia, suscribirse a los quincenal Stanford Ciencia Digerir.