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 Rechenmodelle verwenden, um die Batterielebensdauer auf der Grundlage von nur einem einzigen Zyklus experimenteller Daten zu berechnen.

In einer neuen Studie haben Forscher am Argonne National Laboratory des US-Energieministeriums (DOE) die Kraft des maschinellen Lernens genutzt, um die Lebensdauer einer Vielzahl unterschiedlicher Batteriechemien vorherzusagen.Durch die Verwendung experimenteller Daten, die in Argonne von einem Satz von 300 Batterien mit sechs verschiedenen Batteriechemien gesammelt wurden, können die Wissenschaftler genau bestimmen, wie lange verschiedene Batterien noch zyklisch betrieben werden.

Argonne-Forscher haben Modelle des maschinellen Lernens verwendet, um Vorhersagen über die Batterielebensdauer für ein breites Spektrum verschiedener Chemikalien zu treffen.(Bild von Shutterstock/Sealstep.)

Bei einem Algorithmus für maschinelles Lernen trainieren Wissenschaftler ein Computerprogramm, um Rückschlüsse auf einen ersten Datensatz zu ziehen, und nutzen dann die Erkenntnisse aus diesem Training, um Entscheidungen für einen anderen Datensatz zu treffen.

„Für jede Art von Batterieanwendung, von Mobiltelefonen über Elektrofahrzeuge bis hin zur Netzspeicherung, ist die Batterielebensdauer für jeden Verbraucher von grundlegender Bedeutung“, sagte Noah Paulson, Informatiker bei Argonne und Autor der Studie.​„Es kann Jahre dauern, eine Batterie tausende Male durchlaufen zu lassen, bis sie ausfällt.Unsere Methode schafft eine Art rechnerische Testküche, in der wir schnell feststellen können, wie verschiedene Batterien funktionieren werden.“

„Derzeit besteht die einzige Möglichkeit, zu beurteilen, wie die Kapazität einer Batterie nachlässt, darin, die Batterie tatsächlich aus- und wieder einzuschalten“, fügte die Argonne-Elektrochemikerin Susan ​“Sue“ Babinec, eine weitere Autorin der Studie, hinzu.​„Es ist sehr teuer und dauert lange.“

Laut Paulson kann die Ermittlung der Batterielebensdauer 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 verwenden, sowie von ihrem Design und ihrer Chemie“, sagte er.​„Bisher gab es wirklich keine gute Möglichkeit, die Lebensdauer einer Batterie zu ermitteln.Die Leute werden wissen wollen, wie lange es dauert, bis sie Geld für eine neue Batterie ausgeben müssen.“

Ein einzigartiger Aspekt der Studie besteht darin, dass sie sich auf umfangreiche experimentelle Arbeiten stützte, die bei Argonne an einer Vielzahl von Batteriekathodenmaterialien durchgeführt wurden, insbesondere an Argonnes patentierter Kathode auf Nickel-Mangan-Kobalt-Basis (NMC).​„Wir hatten Batterien mit unterschiedlicher Chemie, die sich auf unterschiedliche Weise verschlechterten und ausfielen“, sagte Paulson.​„Der Wert dieser Studie besteht darin, dass sie uns Signale liefert, die charakteristisch für die Leistung verschiedener Batterien sind.“

Weitere Studien in diesem Bereich hätten das Potenzial, die Zukunft von Lithium-Ionen-Batterien zu leiten, sagte Paulson.​„Eines der Dinge, die wir tun können, ist, den Algorithmus auf eine bekannte Chemie zu trainieren und ihn Vorhersagen über eine unbekannte Chemie treffen zu lassen“, sagte er.​„Im Wesentlichen kann der Algorithmus dabei helfen, uns den Weg zu neuen und verbesserten Chemikalien zu weisen, die eine längere Lebensdauer bieten.“

Auf diese Weise könnte der maschinelle Lernalgorithmus laut Paulson die Entwicklung und Prüfung von Batteriematerialien beschleunigen.​„Angenommen, Sie haben ein neues Material und durchlaufen es ein paar Mal.Sie könnten unseren Algorithmus verwenden, um seine Langlebigkeit vorherzusagen und dann Entscheidungen darüber zu treffen, ob Sie ihn weiterhin experimentell testen möchten oder nicht.“

„Wenn Sie als Forscher in einem Labor arbeiten, können Sie viel mehr Materialien in kürzerer Zeit entdecken und testen, weil Sie sie schneller bewerten können“, fügte Babinec hinzu.

Ein auf der Studie basierendes Papier, ​“Feature Engineering für maschinelles Lernen ermöglichte eine frühzeitige Vorhersage der Batterielebensdauer„, erschien am 25. Februar in der Online-Ausgabe des Journal of Power Sources.

Zu den weiteren Autoren des Artikels gehören neben Paulson und Babinec auch Joseph Kubal von Argonne, Logan Ward, Saurabh Saxena und Wenquan Lu.

Die Studie wurde durch ein Argonne Laboratory-Directed Research and Development (LDRD)-Stipendium finanziert.