• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  • O aprendizado de máquina baseado em dados é a melhor abordagem para modelagem avançada de bateria

    Crédito CC0:domínio público

    A demanda por eletrificação de transporte surgiu nos últimos anos devido às crescentes preocupações com o aquecimento global. A adoção generalizada de veículos elétricos resultará em emissões nocivas reduzidas e um ar mais limpo, entre outros benefícios sociais e econômicos. A indústria de baterias precisa de soluções de software para que os fabricantes de baterias reduzam os custos de fabricação e desenvolvimento e, ao mesmo tempo, aprimorem as principais métricas das baterias.

    A IA está revelando a tecnologia de bateria que irá alimentar o futuro do transporte limpo, causando uma mudança na indústria automotiva. Contudo, capacidade de carregamento, a densidade e os custos de energia precisarão melhorar drasticamente. A IA tem o potencial de impactar o desenvolvimento da bateria e compreender a relação entre os dados e os parâmetros da bateria.

    O desempenho, custo, e a segurança das baterias determinam o desenvolvimento bem-sucedido de veículos elétricos (EVs) e, atualmente, As baterias de íon de lítio (Li-ion) são a escolha preferida para EVs devido ao seu ciclo de vida e densidade de energia razoável.

    Contudo, pesquisas adicionais de baterias de íon-lítio resultarão em uma dinâmica de bateria mais complicada, onde a segurança e a eficiência se tornarão uma preocupação.

    Portanto, um sistema avançado de gerenciamento de bateria que pode otimizar e monitorar a segurança é crucial para a eletrificação de veículos.

    Uma colaboração entre o Dr. Gareth Conduit (Laboratório Cavendish, Universidade de Cambridge e cofundador da Intellegens), o Instituto de Pesquisa e Engenharia de Materiais da A * STAR, e a Nanyang Technological University avaliaram várias abordagens de aprendizado de máquina (ML) para uma previsão rápida e precisa do estado da bateria. O artigo de revisão foi publicado em Nature Machine Intelligence .

    Aprendizado de máquina baseado em dados para otimização de bateria EV

    Algoritmos de aprendizado de máquina foram implementados para prever o estado de saúde, estado de carga, e vida útil remanescente.

    Modelos baseados em dados têm chamado a atenção nos últimos anos, e combinado com técnicas de aprendizado de máquina, esses modelos parecem ser mais poderosos e capazes de prever sem um conhecimento a priori do sistema e têm o potencial de alcançar alta precisão com baixo custo computacional.

    As baterias têm vários parâmetros-chave, incluindo voltagem, temperatura, e estado de mudança. O mau funcionamento da bateria está associado a flutuações anormais nestes parâmetros, portanto, predizê-los com precisão é crucial para garantir que os veículos elétricos operem de forma confiável e segura ao longo do tempo.

    Uma vez no lugar, modelos preditivos podem ser usados ​​para padronizar processos, permitindo que todas as partes interessadas tenham acesso ao mesmo conhecimento e ferramentas, e reduzir custos tanto em termos do número de experimentos que precisam ser realizados quanto de experimentos de otimização para minimizar a necessidade de componentes ou processos caros.

    Isso resulta na redução do impacto ambiental ao projetar experimentos e produtos que são menos dependentes de elementos ou processos tóxicos.

    Como será o futuro da indústria de baterias?

    Com os custos reduzidos de dispositivos de armazenamento de dados e o avanço das tecnologias computacionais, O aprendizado de máquina baseado em dados parece ser a abordagem mais promissora para a modelagem avançada de baterias no futuro.

    Essa abordagem tem sido usada para resolver muitos problemas de alto valor e as principais variáveis ​​para sua implementação bem-sucedida são a disponibilidade e a qualidade dos dados. No entanto, houve um aumento recente na aplicação de métodos de aprendizado de máquina para ajudar a otimizar diferentes aspectos da indústria de baterias.

    Em ambos os casos, o uso de dados de múltiplos domínios, incluindo dados de experimentos que falharam, desempenham um papel crucial na aceleração e otimização do design da bateria, química e sistemas de gestão.

    Dr. Gareth Conduit (Royal Society University Research Fellow da University of Cambridge e CTO da Intellegens) comentou

    "Nossa tecnologia de aprendizado de máquina, Alchemite, pode ver as correlações entre todos os parâmetros disponíveis, tanto entradas quanto saídas, em conjuntos de dados esparsos e barulhentos. O resultado são modelos precisos que podem prever valores ausentes, encontre erros e otimize propriedades de destino. Capaz de trabalhar com dados de até 0,05% completos, Alchemite can unravel data problems that are not accessible to traditional machine learning approaches."

    Alchemite is delivering ground breaking solutions in drug discovery, advanced materials, patient analytics, predictive maintenance and batteries—enabling organizations to break through data analysis bottlenecks, reduce the amount of time and money spent on research, and support better, faster decision-making.

    The insights in this review article could have a transformative effect on the battery industry. Highlighting how machine learning can accurately predict and improve the health and life of a battery will enable manufacturers to embed this software straight into their battery devices and improve their in-life service for the consumer.


    © Ciência https://pt.scienceaq.com