Föreställ dig en synsk som berättar för dina föräldrar, den dagen du föddes, hur länge du skulle leva.En liknande upplevelse är möjlig för batterikemister som använder nya beräkningsmodeller för att beräkna batterilivslängder baserat på så lite som en enda cykel av experimentella data.

I en ny studie har forskare vid det amerikanska energidepartementets (DOE) Argonne National Laboratory vänt sig till kraften i maskininlärning för att förutsäga livslängden för ett brett spektrum av olika batterikemi.Genom att använda experimentella data som samlats in vid Argonne från en uppsättning av 300 batterier som representerar sex olika batterikemi, kan forskarna exakt bestämma hur länge olika batterier kommer att fortsätta att cykla.

Argonne-forskare har använt maskininlärningsmodeller för att göra förutsägelser om battericykelns livslängd för en lång rad olika kemier.(Bild av Shutterstock/Sealstep.)

I en maskininlärningsalgoritm tränar forskare ett datorprogram för att dra slutsatser om en initial uppsättning data och sedan ta vad den har lärt sig från den utbildningen för att fatta beslut om en annan uppsättning data.

"För alla olika typer av batteriapplikationer, från mobiltelefoner till elfordon till nätlagring, är batterilivslängden av grundläggande betydelse för varje konsument", säger Argonne beräkningsforskare Noah Paulson, en författare till studien."Att behöva cykla ett batteri tusentals gånger tills det går sönder kan ta år;vår metod skapar ett slags beräkningstestkök där vi snabbt kan fastställa hur olika batterier kommer att prestera.”

"Just nu är det enda sättet att utvärdera hur kapaciteten i ett batteri bleknar att faktiskt cykla batteriet," tillade Argonne-elektrokemisten Susan "Sue" Babinec, en annan författare till studien."Det är väldigt dyrt och det tar lång tid."

Enligt Paulson kan processen att fastställa en batterilivslängd vara knepig."Verkligheten är att batterier inte håller för evigt, och hur länge de håller beror på hur vi använder dem, såväl som deras design och deras kemi," sa han."Fram till nu har det verkligen inte funnits ett bra sätt att veta hur länge ett batteri kommer att hålla.Folk kommer att vilja veta hur lång tid de har på sig innan de måste spendera pengar på ett nytt batteri."

En unik aspekt av studien är att den förlitade sig på omfattande experimentellt arbete utfört vid Argonne på en mängd olika batterikatodmaterial, särskilt Argonnes patenterade nickel-mangan-kobolt (NMC)-baserade katod."Vi hade batterier som representerade olika kemier, som har olika sätt att degraderas och misslyckas," sa Paulson."Värdet av den här studien är att den gav oss signaler som är karakteristiska för hur olika batterier presterar."

Ytterligare studier inom detta område har potential att vägleda framtiden för litiumjonbatterier, sa Paulson."En av de saker vi kan göra är att träna algoritmen på en känd kemi och låta den göra förutsägelser om en okänd kemi," sa han."I grund och botten kan algoritmen hjälpa oss att peka i riktning mot nya och förbättrade kemier som erbjuder längre livslängder."

På så sätt tror Paulson att maskininlärningsalgoritmen skulle kunna påskynda utvecklingen och testningen av batterimaterial."Säg att du har ett nytt material och du cyklar det några gånger.Du kan använda vår algoritm för att förutsäga dess livslängd och sedan fatta beslut om du vill fortsätta att cykla den experimentellt eller inte."

"Om du är en forskare i ett labb kan du upptäcka och testa många fler material på kortare tid eftersom du har ett snabbare sätt att utvärdera dem," tillade Babinec.

En artikel baserad på studien, "Funktionsteknik för maskininlärning möjliggjorde tidig förutsägelse av batterilivslängd”, dök upp i onlineupplagan av Journal of Power Sources den 25 februari.

Förutom Paulson och Babinec, inkluderar andra författare av tidningen Argonnes Joseph Kubal, Logan Ward, Saurabh Saxena och Wenquan Lu.

Studien finansierades av ett Argonne Laboratory-Directed Research and Development (LDRD) anslag.