Forscher können jetzt mit maschinellem Lernen die Lebensdauer von Batterien vorhersagen

Technik könnte Kosten der Batterieentwicklung senken

10.05.2022 - USA

Stellen Sie sich vor, ein Hellseher würde Ihren Eltern am Tag Ihrer Geburt sagen, wie lange Sie leben würden. Eine ähnliche Erfahrung ist für Batteriechemiker möglich, die neue Berechnungsmodelle einsetzen, um die Lebensdauer von Batterien auf der Grundlage von nur einem einzigen Zyklus experimenteller Daten zu berechnen.

In einer neuen Studie haben Forscher des Argonne National Laboratory des US-Energieministeriums (DOE) die Möglichkeiten des maschinellen Lernens genutzt, um die Lebensdauer einer breiten Palette verschiedener chemischer Batterietypen vorherzusagen. Anhand der in Argonne gesammelten experimentellen Daten von 300 Batterien, die sechs verschiedene Batterietypen repräsentieren, können die Wissenschaftler genau bestimmen, wie lange die verschiedenen Batterien ihren Zyklus durchlaufen werden.

Bei einem Algorithmus des maschinellen Lernens trainieren die Wissenschaftler ein Computerprogramm, um aus einem anfänglichen Datensatz Rückschlüsse zu ziehen, und verwenden dann das, was es aus diesem Training gelernt hat, um Entscheidungen für einen anderen Datensatz zu treffen.

Langlebiges Leichtgewicht – Batterie aus Silizium

Neu gegründeter Institutsbereich erforscht Grundlagen für neue elektrochemische Energiespeicher und -wandler

News lesen

"Für jede Art von Batterieanwendung, von Mobiltelefonen über Elektrofahrzeuge bis hin zur Netzspeicherung, ist die Batterielebensdauer für jeden Verbraucher von grundlegender Bedeutung", so Noah Paulson, Computerwissenschaftler bei Argonne und Autor der Studie. Eine Batterie tausende Male zu testen, bis sie versagt, kann Jahre dauern; unsere Methode schafft eine Art rechnerische Testküche, in der wir schnell feststellen können, wie sich verschiedene Batterien verhalten werden."

"Derzeit besteht die einzige Möglichkeit, den Kapazitätsabfall in einer Batterie zu bewerten, darin, die Batterie tatsächlich zu zyklieren", fügte die Argonne-Elektrochemikerin Susan "Sue" Babinec, eine weitere Autorin der Studie, hinzu. Das ist sehr teuer und dauert sehr lange.

Paulson zufolge kann die Bestimmung der Lebensdauer einer Batterie schwierig sein. Die Realität ist, dass Batterien nicht ewig halten, und wie lange sie halten, hängt von der Art und Weise ab, wie wir sie benutzen, sowie von ihrem Design und ihrer Chemie", sagte er. Bis jetzt gab es keine gute Möglichkeit, um zu wissen, wie lange eine Batterie halten wird. Die Menschen werden wissen wollen, wie lange sie Zeit haben, bis sie Geld für eine neue Batterie ausgeben müssen".

Ein einzigartiger Aspekt der Studie besteht darin, dass sie sich auf umfangreiche experimentelle Arbeiten stützt, die in Argonne an einer Vielzahl von Batteriekathodenmaterialien durchgeführt wurden, insbesondere an der patentierten Nickel-Mangan-Kobalt (NMC)-Kathode von Argonne. Wir hatten Batterien mit unterschiedlichen chemischen Eigenschaften, die sich auf unterschiedliche Weise abbauen und versagen", sagte Paulson. Der Wert dieser Studie liegt darin, dass sie uns Signale liefert, die charakteristisch dafür sind, wie verschiedene Batterien funktionieren.

Weitere Studien in diesem Bereich könnten die Zukunft der Lithium-Ionen-Batterien bestimmen, so Paulson. Wir können den Algorithmus unter anderem mit einer bekannten Chemie trainieren und ihn dann Vorhersagen für eine unbekannte Chemie treffen lassen", sagte er. Im Wesentlichen kann uns der Algorithmus dabei helfen, neue und verbesserte chemische Stoffe zu finden, die eine längere Lebensdauer haben.

Paulson glaubt, dass der Algorithmus für maschinelles Lernen die Entwicklung und Prüfung von Batteriematerialien beschleunigen könnte. "Nehmen wir an, Sie haben ein neues Material und testen es ein paar Mal. Sie könnten unseren Algorithmus nutzen, um seine Langlebigkeit vorherzusagen, und dann entscheiden, ob Sie es experimentell weiter zyklieren wollen oder nicht."

"Als Forscher in einem Labor können Sie viel mehr Materialien in kürzerer Zeit entdecken und testen, weil Sie eine schnellere Möglichkeit haben, sie zu bewerten", fügte Babinec hinzu.

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.

Originalveröffentlichung

Noah H. Paulson et al.; Feature engineering for machine learning enabled early prediction of battery lifetime; Journal of Power Sources; Volume 527, 15 April 2022, 231127

https://www.chemie.de/news/1175985/forscher-koennen-jetzt-mit-maschinellem-lernen-die-lebensdauer-von-batterien-vorhersagen.html

Originalveröffentlichung

Noah H. Paulson et al.; Feature engineering for machine learning enabled early prediction of battery lifetime; Journal of Power Sources; Volume 527, 15 April 2022, 231127

Themen

Machine Learning Batterien Elektrochemie Lebensdauertests

Alle anzeigen

Organisationen

Argonne National Laboratory