3 Minuty
Sztuczna inteligencja mapuje starzenie akumulatorów, by wydłużyć ich żywotność i poprawić bezpieczeństwo
Akumulatory w pojazdach elektrycznych (EV) często jako pierwsze ulegają degradacji, co prowadzi do wysokich kosztów wymiany i spowalnia przechodzenie na transport elektryczny. Naukowcy z Uniwersytetu w Uppsali, we współpracy z Uniwersytetem w Aalborgu, opracowali innowacyjny model oparty na sztucznej inteligencji, który precyzyjniej odwzorowuje proces starzenia akumulatorów oraz zachodzące w nich reakce chemiczne. Wyniki badań opublikowane w piśmie Energy & Environmental Science wskazują, że model ten może nawet o 70% zwiększyć skuteczność prognozowania stanu akumulatorów w porównaniu do obecnych metod.
Jak działa hybrydowy model AI
Zespół naukowców połączył tysiące krótkich pomiarów segmentów ładowania z dokładnym, fizykochemicznym modelem opisującym procesy zachodzące w ogniwach. Zamiast traktować akumulatory jak czarne skrzynki, hybrydowe podejście integruje uczenie maszynowe z modelowaniem elektrochemicznym, by śledzić precyzyjnie reakcje odpowiedzialne za generowanie energii i degradację. Zdaniem prof. Daniela Brandella, kierującego badaniami, widoczność tych procesów umożliwia opracowanie inteligentniejszych strategii sterowania, które zachowują akumulatory w lepszym stanie przez dłuższy czas.
Najważniejsze cechy technologii
- Uczenie maszynowe oparte na wiedzy fizykochemicznej: łączy dane empiryczne z modelami reakcji chemicznych w celu precyzyjnej analizy stanu akumulatora (SoH).
- Analiza krótkich segmentów ładowania: wykorzystuje krótkie fragmenty cykli ładowania i rozładowywania, co obniża wrażliwość danych i upraszcza wdrożenie w terenie.
- Duża odporność prognoz: naukowcy odnotowali do 70% lepszą skuteczność prognozowania stanu akumulatora.
- Kompatybilność z systemami zarządzania akumulatorami (BMS): rozwiązanie zostało zaprojektowane tak, by wspierać istniejące BMS oraz narzędzia do predykcyjnego utrzymania.
Przewagi nad konwencjonalnymi rozwiązaniami
Tradycyjne modele AI typu czarna skrzynka wymagają zwykle dużych, ciągłych zbiorów danych i nie pozwalają na identyfikację chemicznych przyczyn starzenia. Hybrydowy model oferuje natomiast:
- Lepszą ocenę stanu technicznego (SoH) i prognozowanie żywotności, co pomaga ograniczyć przedwczesne wymiany akumulatorów.
- Skuteczniejsze przewidywanie ryzyka dzięki możliwości wykrywania wad konstrukcyjnych i niebezpiecznych reakcji na podstawie wzorców ładowania/rozładowania.
- Niższe ryzyko związane z prywatnością danych — analiza oparta na krótkich i możliwych do anonimizacji fragmentach zamiast pełnych logów jazdy.
Porównania i znaczenie rynkowe
W porównaniu z czysto uczeniem maszynowym czy wyłącznie modelem elektrochemicznym, metoda hybrydowa zapewnia przejrzystość i efektywność zamiast dużego zapotrzebowania na dane i niejasnych decyzji. Dla producentów samochodów elektrycznych oraz akumulatorów oznacza to niższe koszty gwarancyjne, wydłużenie żywotności baterii i przyspieszenie popularyzacji EV poprzez obniżenie całkowitego kosztu posiadania (TCO). Zaś dla regulatorów i inżynierów bezpieczeństwa — narzędzie do skutecznego identyfikowania ryzyk i ich minimalizowania.
Zastosowania i wpływ praktyczny
Potencjalne zastosowania obejmują:
- Integrację u producentów (OEM) w zaawansowanych systemach zarządzania baterią, aby umożliwić adaptacyjne strategie ładowania.
- Wykorzystanie przez operatorów flot i firm przewozowych w predykcyjnym utrzymaniu, by wydłużyć żywotność zestawów akumulatorowych oraz zminimalizować przestoje.
- Optymalizację profili szybkiego ładowania w sieciach stacji, aby ograniczyć intensywną degradację akumulatorów.
- Pewniejszą ocenę pojemności i bezpieczeństwa przez firmy z rynku wtórnego i centra recyklingu akumulatorów.
Perspektywy: szybsza elektryfikacja dzięki bezpieczniejszym akumulatorom
Dzięki ujawnianiu rzeczywistych procesów w ogniwach i solidnym prognozom stanu akumulatorów na bazie ograniczonych, przyjaznych dla prywatności danych, nowy model AI otwiera drogę do bezpieczniejszych i trwalszych baterii EV. W miarę rozwoju rynku pojazdów elektrycznych rozwiązania łączące uczenie maszynowe z wiedzą elektrochemiczną będą kluczowe dla optymalizacji cyklu życia akumulatorów, obniżenia kosztów i spełnienia standardów bezpieczeństwa na rynkach globalnych.
Źródło: techxplore
Komentarze