هوش مصنوعی روند پیری باتری را نقشه برداری می کند تا عمر و ایمنی را افزایش دهد

هوش مصنوعی روند پیری باتری را نقشه‌برداری می‌کند تا عمر و ایمنی را افزایش دهد

باتری‌های خودروهای الکتریکی (EV) اغلب نخستین قطعهٔ مهمی هستند که فرسوده می‌شوند؛ امری که هزینه‌های تعویض را بالا برده و سرعت حرکت به سمت حمل‌ونقل برقی را کند می‌کند. پژوهشگران دانشگاه اوپسالا، با همکاری دانشگاه آلبورگ، مدلی نوآورانه مبتنی بر هوش مصنوعی توسعه داده‌اند که تصویر بسیار دقیق‌تری از پیری باتری و فرآیندهای شیمیایی داخلی ارائه می‌دهد. این مدل که در Energy & Environmental Science منتشر شده است، ادعا می‌کند در مقایسه با روش‌های کنونی تا 70% افزایش سخت‌افزاری در پیش‌بینی سلامت باتری (SoH) را فراهم می‌کند.

چگونه مدل ترکیبی هوش مصنوعی کار می‌کند

تیم تحقیقاتی هزاران اندازه‌گیری کوتاه از بخش‌های شارژ را با یک نمایش فیزیک‌محور دقیق از شیمی داخلی سل ترکیب کرده است. به‌جای نگاه کردن به باتری‌ها به‌عنوان جعبه‌های سیاه، این رویکرد ترکیبی یادگیری ماشین را با مدل‌سازی الکتروشیمیایی هم‌پیوند می‌دهد تا واکنش‌های مشخصی که توان تولید می‌کنند و فرسایش را به‌وجود می‌آورند، ردیابی کند. به گفتهٔ سرپرست مطالعه، پروفسور دنیل براندل، این دید شفاف به تدوین راهبردهای کنترلی هوشمندتری منجر می‌شود که سل‌ها را برای مدت طولانی‌تری سالم نگه می‌دارند.

ویژگی‌های کلیدی فناوری

• یادگیری ماشین فیزیک‌محور: ترکیب داده‌های تجربی با مدل‌های فرآیندهای شیمیایی برای استنباط دقیق وضعیت سلامت (SoH).
• تحلیل بخش‌های کوتاه شارژ: استفاده از قطعات کوتاه شارژ و دشارژ که حساسیت داده‌ها را کاهش داده و استقرار در میدان را ساده می‌کند.
• پیش‌بینی با سختی بالا: پژوهشگران گزارش می‌دهند که تا 70% بهبود در سختی پیش‌بینی سلامت باتری مشاهده شده است.
• سازگاری با سامانه‌های مدیریت باتری (BMS): طراحی شده تا ابزارهای موجود BMS و نگهداری پیش‌بینانه را تقویت کند.

مزایا نسبت به روش‌های متداول

مدل‌های متداول جعبه‌سیاه مبتنی بر هوش مصنوعی معمولاً به مجموعه داده‌های بزرگ و پیوسته نیاز دارند و ممکن است علل شیمیایی پایه‌ای پیری را نادیده بگیرند. در مقابل، این مدل ترکیبی موارد زیر را ارائه می‌دهد:

• تخمین بهبود‌یافتهٔ وضعیت سلامت و پیش‌بینی عمر مفید که جایگزینی زودهنگام را کاهش می‌دهد.
• پیش‌بینی ایمنی بهتر از طریق شناسایی نقایص طراحی و واکنش‌های جانبی مضر ناشی از الگوهای شارژ/دشارژ.
• کاهش ریسک حریم خصوصی داده‌ها — تحلیل‌های مفید از قطعات کوتاه و قابل ناشناس‌سازی به‌دست می‌آید به‌جای لاگ‌های کامل رانندگی.

مقایسه‌ها و اهمیت بازار

در مقایسه با یادگیری ماشین صرف و مدل‌های تحلیلی خالص الکتروشیمیایی، روش ترکیبی از گرسنگی شدید داده و تصمیم‌گیری نامشخص صرف‌نظر کرده و به جای آن قابلیت تبیین و کارایی را ارائه می‌دهد. برای خودروسازان و سازندگان باتری، این رویکرد می‌تواند هزینه‌های گارانتی را کاهش دهد، عمر قابل‌استفاده باتری را افزایش دهد و با کاهش هزینهٔ مالکیت کلی (TCO) پذیرش EV را تسریع کند. برای ناظران و مهندسان ایمنی، مدل مسیر شناسایی و کاهش ریسک پیشگیرانه را فراهم می‌کند.

موارد استفاده و تأثیر در دنیای واقعی

کاربردهای بالقوه شامل موارد زیر است:

• ادغام توسط OEMها در نسل بعدی سامانه‌های مدیریت باتری برای فعال‌سازی راهبردهای شارژ تطبیقی.
• اپراتورهای ناوگان و خدمات حمل‌ونقل اشتراکی که از نگهداری پیش‌بینانه برای طولانی‌تر کردن عمر پک‌ها و کمینه‌سازی زمان غیرقابل‌استفاده استفاده می‌کنند.
• شبکه‌های ایستگاه شارژ که پروفایل‌های شارژ سریع را برای کاهش فرسایش بهینه می‌کنند.
• بازارهای باتری با عمر دوم و مراکز بازیافت که ظرفیت باقیمانده و ایمنی را با دقت بیشتری ارزیابی می‌کنند.

چشم‌انداز: تسریع برق‌ساز کردن با باتری‌های ایمن‌تر

با نشان دادن آنچه در داخل سل‌ها رخ می‌دهد و تولید پیش‌بینی‌های سالم باتری از مجموعه‌داده‌های محدود و دوستدار حریم خصوصی، این مدل هوش مصنوعی مسیر واقع‌گرایانه‌ای به‌سوی باتری‌های EV ایمن‌تر و بادوام‌تر ارائه می‌دهد. با گسترش برق‌ساز شدن وسایل نقلیه، ابزارهایی که یادگیری ماشین را با بینش الکتروشیمیایی ترکیب می‌کنند برای بهینه‌سازی چرخه‌های عمر باتری، کاهش هزینه‌ها و رعایت استانداردهای ایمنی در بازارهای جهانی حیاتی خواهند بود.

مطلب مرتبط

Read More

درک زیست شناسی پیری انسان: واقعیت ها و تاثیرات تاریخی

درک زیست‌شناسی پیری انسانطی بیش از یک قرن گذشته، میانگین امید به زندگی بشر به طرز...