Tänk dig en spåman som berättar för dina föräldrar, den dagen du föddes, hur länge du kommer att leva. En liknande upplevelse är möjlig för batterikemister som använder nya beräkningsmodeller för att beräkna batteriers livslängd 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 använt kraften i maskininlärning för att förutsäga livslängden för en mängd olika batterikemier. Genom att använda experimentella data som samlats in vid Argonne från en uppsättning av 300 batterier som representerar sex olika batterikemier kan forskarna exakt avgöra hur länge olika batterier kommer att fortsätta att cykla.

Argonne-forskare har använt maskininlärningsmodeller för att göra förutsägelser om batterilivslängden för en mängd olika kemiska processer. (Bild av Shutterstock/Sealstep.)

I en maskininlärningsalgoritm tränar forskare ett datorprogram att dra slutsatser från en initial datamängd, och sedan använda det som det har lärt sig från den träningen för att fatta beslut om en annan datamängd.

”För alla typer av batteritillämpningar, från mobiltelefoner till elfordon till nätlagring, är batteriets livslängd av grundläggande betydelse för varje konsument”, säger Argonnes beräkningsforskare Noah Paulson, en av författaren till studien. ”Att behöva ladda ett batteri tusentals gånger innan det går sönder kan ta år; vår metod skapar ett slags beräkningsbaserat testkök där vi snabbt kan fastställa hur olika batterier kommer att prestera.”

”Just nu är det enda sättet att utvärdera hur kapaciteten i ett batteri minskar att faktiskt ladda batteriet på nytt”, 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 ett batteris livslängd 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 kemi”, sa han. ”Fram till nu har det egentligen inte funnits ett bra sätt att veta hur länge ett batteri kommer att hålla. Folk kommer att vilja veta hur lång tid de har kvar innan de måste spendera pengar på ett nytt batteri.”

En unik aspekt av studien är att den förlitade sig på omfattande experimentellt arbete som utförts vid Argonne på en mängd olika batterikatodmaterial, särskilt Argonnes patenterade nickel-mangan-kobolt (NMC)-baserade katod. ”Vi hade batterier som representerade olika kemiska sammansättningar, som har olika sätt att de bryts ner och slutar fungera”, sa Paulson. ”Värdet av denna studie 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 på en okänd kemi”, sa han. ”I huvudsak kan algoritmen hjälpa oss att peka i riktning mot nya och förbättrade kemiska sammansättningar 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 cykla det experimentellt eller inte.”

"Om du är forskare i ett laboratorium 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, ​“Funktionsutveckling för maskininlärning möjliggjorde tidig förutsägelse av batteriets livslängd”, publicerades i online-utgåvan av Journal of Power Sources den 25 februari.

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

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