Stel je voor dat een helderziende op de dag dat je werd geboren aan je ouders vertelt hoe lang je zou leven.Een soortgelijke ervaring is mogelijk voor batterijchemici die nieuwe computermodellen gebruiken om de levensduur van batterijen te berekenen op basis van slechts één enkele cyclus van experimentele gegevens.

In een nieuwe studie hebben onderzoekers van het Argonne National Laboratory van het Amerikaanse Department of Energy (DOE) de kracht van machinaal leren gebruikt om de levensduur van een breed scala aan verschillende batterijchemie te voorspellen.Door experimentele gegevens te gebruiken die in Argonne zijn verzameld uit een set van 300 batterijen die zes verschillende batterijchemie vertegenwoordigen, kunnen de wetenschappers nauwkeurig bepalen hoe lang verschillende batterijen zullen blijven werken.

Argonne-onderzoekers hebben machine learning-modellen gebruikt om voorspellingen te doen over de levensduur van batterijen voor een breed scala aan verschillende chemische stoffen.(Afbeelding door Shutterstock/Sealstep.)

Bij een machine learning-algoritme trainen wetenschappers een computerprogramma om gevolgtrekkingen te maken op basis van een eerste set gegevens, en gebruiken ze wat het programma uit die training heeft geleerd om vervolgens beslissingen te nemen op basis van een andere set gegevens.

“Voor elk soort batterijtoepassing, van mobiele telefoons tot elektrische voertuigen tot netopslag, is de levensduur van de batterij van fundamenteel belang voor elke consument”, zegt Noah Paulson, computerwetenschapper uit Argonne, auteur van het onderzoek.​“Het kan jaren duren voordat een batterij duizenden keren moet worden gebruikt totdat deze kapot gaat;onze methode creëert een soort computationele testkeuken waarin we snel kunnen vaststellen hoe verschillende batterijen gaan presteren.”

“Op dit moment is de enige manier om te evalueren hoe de capaciteit van een batterij afneemt, het daadwerkelijk laten draaien van de batterij”, aldus Argonne-elektrochemicus Susan “Sue” Babinec, een andere auteur van het onderzoek.“Het is erg duur en het duurt lang.”

Volgens Paulson kan het vaststellen van de levensduur van een batterij lastig zijn.“De realiteit is dat batterijen niet eeuwig meegaan, en hoe lang ze meegaan, hangt af van de manier waarop we ze gebruiken, maar ook van hun ontwerp en hun chemie,” zei hij.​“Tot nu toe was er echt geen goede manier om te weten hoe lang een batterij meegaat.Mensen zullen willen weten hoe lang ze nog hebben voordat ze geld moeten uitgeven aan een nieuwe batterij.”

Een uniek aspect van het onderzoek is dat het gebaseerd is op uitgebreid experimenteel werk dat in Argonne is uitgevoerd met een verscheidenheid aan batterijkathodematerialen, met name de gepatenteerde op nikkel-mangaan-kobalt (NMC) gebaseerde kathode van Argonne.“We hadden batterijen die verschillende chemie vertegenwoordigden, die verschillende manieren hadden waarop ze zouden verslechteren en falen,” zei Paulson.“De waarde van dit onderzoek is dat het ons signalen heeft opgeleverd die kenmerkend zijn voor hoe verschillende batterijen presteren.”

Verder onderzoek op dit gebied heeft het potentieel om de toekomst van lithium-ionbatterijen te bepalen, zei Paulson.“Een van de dingen die we kunnen doen is het algoritme trainen op basis van een bekende chemie en het voorspellingen laten doen op basis van een onbekende chemie”, zei hij.“In wezen kan het algoritme ons helpen in de richting te wijzen van nieuwe en verbeterde chemie die een langere levensduur biedt.”

Op deze manier gelooft Paulson dat het machine learning-algoritme de ontwikkeling en het testen van batterijmaterialen zou kunnen versnellen.​“Stel, je hebt een nieuw materiaal en je fietst het een paar keer.Je zou ons algoritme kunnen gebruiken om de levensduur ervan te voorspellen, en dan beslissen of je er experimenteel mee verder wilt gaan of niet.”

“Als je een onderzoeker in een laboratorium bent, kun je in een kortere tijd veel meer materialen ontdekken en testen, omdat je ze sneller kunt evalueren,” voegde Babinec eraan toe.

Een artikel gebaseerd op het onderzoek: ​“Functie-engineering voor machinaal leren maakte een vroege voorspelling van de levensduur van de batterij mogelijk”, verscheen in de online editie van 25 februari van de Journal of Power Sources.

Naast Paulson en Babinec omvatten andere auteurs van het artikel Argonne's Joseph Kubal, Logan Ward, Saurabh Saxena en Wenquan Lu.

De studie werd gefinancierd door een Argonne Laboratory-Directed Research and Development (LDRD) subsidie.