باتریهای لیتیوم یون به یک قسمت کلیدی در دنیای الکتریکی امروزه ما تبدیل شدهاند، اما همیشه یک موضوع بوده که ما را بیش از بقیه اذیت میکرده و آن، عمر و بازدهی باتریها است. پیشبینی سلامت و طول عمر آنها این فناوری را محدود کرده است. به همین سبب محققان دست به کار شدهاند تا با استفاده از علم کامپیوتر به پیش بینی عمر باتری با یادگیری ماشین بپردازند.
- تولید ویدیو از یک تصویر با فناوری Transframer هوش مصنوعی گوگل
- طرح مقاومت های آنالوگ MIT برای استفاده در یادگیری ماشین و هوش مصنوعی
چگونگی پیش بینی عمر باتری خودروهای الکتریکی با هوش مصنوعی
با وجود اینکه استفاده از باتریهای لیتیومی برای پیشبرد الکتریکی شدن زندگی ما موفقیت آمیز بوده است، اما یک نقطه ضعف بزرگ در این میان وجود دارد و د آن، کاهش ظرفیت باتریهای لیتیوم یون در طول زمان است. حتما این نکته را در خاطر داشته باشید که این موضوع نه فقط به دلیل فرآیند پیری که در هنگام شارژ و دشارژ اتفاق میافتد، روی میدهد؛ بلکه در این مقاله در مورد تعریفی به نام “چرخه پیری” باتریهای الکتریکی صحبت میکنیم.
بله. باتریها نیز در صورت استفاده و یا حتی عدم استفاده از بین میروند. سلولهای باتری لیتیوم یون به دلیل «پایان چرخه سلامت» که در حین ذخیرهسازی یا صرفاً زمانی که باتری در حال استفاده نیست، دچار تخریب میشوند. این تخریب به سه عامل اصلی وابسته است: حالت استراحت شارژ (SOC)، دمای استراحت باتری و مدت زمان استراحت باتری.
با توجه به اینکه یک وسیله نقلیه الکتریکی بیشتر عمر خود را در حالت آماده باش میگذراند، پیشبینی کاهش ظرفیت سلولها از چرخه سلامت باتری بسیار مهم است. توجه کافی به این موضوع میتواند عمر باتری را طولانی کند و راه را برای مکانیسمهایی هموار کند که حتی میتوانند این پدیده را دور بزنند.
به همین دلیل، محققان از الگوریتمهای پیشرفته یادگیری ماشینی برای پیش بینی دقیق زمان چرخه سلامت باتری استفاده میکنند.
در یک مطالعه (که توسط برنامه افق 2020 اتحادیه اروپا تامین بودجه شده است) تیمی از دانشمندان با مقایسه دقت دو الگوریتم در طیف گستردهای از شیمی باتریهای لیتیوم یون تجاری، موفق شدند تا این تحقیق را یک قدم جلوتر ببرند.
اگر بخواهیم به طور خاص در مورد تحقیق آنها صحبت کنیم باید بگوییم که، آنها دادههای مربوط به چرخه سلامت باتریها را از شش نوع شیمی سلول باتری استخراج کردند: اکسید لیتیوم کبالت (LCO)، لیتیوم فسفات آهن (LIP)، اکسید لیتیوم منگنز (LMO)، اکسید لیتیوم تیتانیوم (LTO)، اکسید آلومینیوم نیکل کبالت (NCA) و نیکل منگنز اکسید کبالت (NMC).
این سلولهای باتری با استفاده از ولتاژهای بالا، متوسط و پایین در اتاقهایی با دمای 50، 60 و 70 درجه سانتیگراد قرار گرفتند تا بعد از گذشت مدت زمانی خاص، در چرخه پیری خود قرار بگیرند. برای پیش بینی چرخه پیری باتریها، تیم محققان به دقت کارایی دو الگوریتم یادگیری ماشین را بررسی کرد: این موارد شامل تقویت گرادیان شدید (XGBoost) و یک شبکه عصبی مصنوعی (ANN) میشدند.
اما این الگوریتمها چگونه کار میکنند؟
هر دو الگوریتم به دلیل توانایی در به دست آوردن نتایج قابل اعتماد انتخاب شدند، اما تفاوت قابل توجهی در عملکردشان دارند.
XGBoost یک الگوریتم یادگیری ماشینی مبتنی بر فرآیند درخت تصمیم (مجموعه تصمیمهایی که میتوان اتخاذ کرد و نتایجی که به بار خواهد داشت) و پیشرفته است که به طور گسترده در بخش رگرسیون طبقه بندی استفاده میشود.
ANN یک سیستم تطبیقی مصنوعی است که از عناصر پایه خود به نام نورونها و اتصالات این نورونها به یکدیگر برای تبدیل ورودی های جهانی خود به خروجی پیش بینی شده استفاده میکند.
محققان برای ارزیابی عملکرد خود، از متریک میانگین درصد مطلق خطا (MAPE) استفاده کردند که میانگین بزرگی خطاها را بین مقادیر پیشبینیشده و اندازهگیری شده، اندازهگیری میکند. به عبارت ساده، هرچه مقدار MAPE کوچکتر باشد، دقت پیشبینی بالاتر است.
اما نتایج چه چیزی را نشان داد؟
آزمایش الگوریتمها نشان داد که XGBoost میتواند برای پیشبینی موثر پیری تقویم اکثر مواد شیمیایی با حداقل میانگین خطای مطلق مورد استفاده قرار گیرد. در همین حال، ANN نتایج رضایت بخشی را فقط برای شیمی سلولهای LFP، LTO و NCA ایجاد میکند.
میتوانید دقت آنها را در نمودار زیر بررسی کنید:
عملکرد برتر کلی XGB، و به ویژه در مورد مواد شیمیایی باتری که بر صنعت خودروسازی تسلط دارند (NCA، NMC، LFP)، نشان میدهد که میتوان آن را در نرمافزارهای کاربردی باتری EV برای پیشبینی موفقیتآمیز اثرات چرخه پیری باتریها و ارائه عملکرد بهتر برای باتریهای خودروهای الکتریکی گنجاند.
اکنون باید دید که برای تبدیل یافتههای این تحقیق به کاربردهای تجاری چه اقداماتی باید انجام شود.
توسط 
توسط 
دیدگاهتان را بنویسید