Stel je voor dat een helderziende je ouders op je geboortedag vertelt hoe lang je zult leven. Iets soortgelijks is mogelijk voor batterijchemici die nieuwe computermodellen gebruiken om de levensduur van batterijen te berekenen op basis van slechts één experimentele cyclus.

In een nieuwe studie hebben onderzoekers van het Argonne National Laboratory van het Amerikaanse ministerie van Energie (DOE) gebruikgemaakt van machine learning om de levensduur van een breed scala aan verschillende batterijchemieën te voorspellen. Door gebruik te maken van experimentele gegevens die in Argonne zijn verzameld van 300 batterijen met zes verschillende batterijchemieën, kunnen de wetenschappers nauwkeurig bepalen hoe lang verschillende batterijen nog meegaan.

Onderzoekers van Argonne hebben machine learning-modellen gebruikt om de levensduur van batterijen met uiteenlopende chemische samenstellingen te voorspellen. (Afbeelding: Shutterstock/Sealstep.)

Bij een machine learning-algoritme trainen wetenschappers een computerprogramma om conclusies te trekken op basis van een initiële dataset, en gebruiken ze vervolgens wat het programma tijdens die training heeft geleerd om beslissingen te nemen op basis van een andere dataset.

"Voor elk type batterijtoepassing, van mobiele telefoons en elektrische voertuigen tot energieopslag, is de levensduur van de batterij van fundamenteel belang voor elke consument", aldus Noah Paulson, computerwetenschapper bij Argonne en een van de auteurs van de studie. "Het kan jaren duren voordat een batterij duizenden keren is opgeladen en ontladen; onze methode creëert een soort computertestomgeving waarin we snel kunnen vaststellen hoe verschillende batterijen zullen presteren."

"Op dit moment is de enige manier om te bepalen hoe de capaciteit van een batterij afneemt, de batterij daadwerkelijk te ontladen en te laden", voegde elektrochemicus Susan "Sue" Babinec van Argonne, een van de auteurs van de studie, eraan toe. "Dat is erg duur en het duurt lang."

Volgens Paulson kan het lastig zijn om de levensduur van een batterij te bepalen. "Batterijen gaan niet eeuwig mee, en hoe lang ze meegaan hangt af van hoe we ze gebruiken, maar ook van hun ontwerp en chemische samenstelling", zei hij. "Tot nu toe was er geen goede manier om te weten hoe lang een batterij meegaat. Mensen willen weten hoe lang ze nog kunnen doen voordat ze geld moeten uitgeven aan een nieuwe batterij."

Een uniek aspect van de studie is dat deze gebruikmaakte van uitgebreid experimenteel werk dat bij Argonne is verricht aan diverse kathodematerialen voor batterijen, met name de gepatenteerde nikkel-mangaan-kobalt (NMC)-kathode van Argonne. "We hadden batterijen met verschillende chemische samenstellingen, die op verschillende manieren zouden degraderen en uitvallen", aldus Paulson. "De waarde van deze studie is dat het ons signalen gaf die kenmerkend zijn voor de prestaties van verschillende batterijen."

Verder onderzoek op dit gebied kan de toekomst van lithium-ionbatterijen bepalen, aldus Paulson. "Een van de dingen die we kunnen doen, is het algoritme trainen op een bekende chemische samenstelling en het voorspellingen laten doen over een onbekende chemische samenstelling", zei hij. "In wezen kan het algoritme ons helpen de weg te wijzen naar nieuwe en verbeterde chemische samenstellingen die een langere levensduur bieden."

Paulson is ervan overtuigd dat het machine learning-algoritme op deze manier de ontwikkeling en het testen van batterijmaterialen kan versnellen. "Stel, je hebt een nieuw materiaal en je laadt het een paar keer op en neer. Je zou ons algoritme kunnen gebruiken om de levensduur te voorspellen en vervolgens te beslissen of je het experimenteel wilt blijven testen of niet."

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

Een artikel gebaseerd op het onderzoek, ​“Feature engineering voor machine learning maakte vroege voorspelling van de levensduur van batterijen mogelijk.,” verscheen in de online editie van 25 februari van het Journal of Power Sources.

Naast Paulson en Babinec hebben ook Joseph Kubal, Logan Ward, Saurabh Saxena en Wenquan Lu van Argonne aan het artikel meegewerkt.

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