Stellen Sie sich vor, ein Hellseher würde Ihren Eltern am Tag Ihrer Geburt Ihre Lebenserwartung vorhersagen. Ähnliches ist für Batteriechemiker möglich, die mithilfe neuer Computermodelle die Lebensdauer von Batterien anhand von nur einem einzigen Ladezyklus berechnen.

In einer neuen Studie haben Forscher des Argonne National Laboratory des US-Energieministeriums (DOE) maschinelles Lernen eingesetzt, um die Lebensdauer verschiedenster Batterien vorherzusagen. Anhand von experimentellen Daten, die in Argonne an 300 Batterien mit sechs unterschiedlichen Batterietypen erhoben wurden, können die Wissenschaftler präzise bestimmen, wie lange die verschiedenen Batterien noch funktionieren.

Forscher des Argonne National Laboratory haben mithilfe von Modellen des maschinellen Lernens Vorhersagen zur Zyklenlebensdauer von Batterien mit unterschiedlichsten chemischen Zusammensetzungen getroffen. (Bild: Shutterstock/Sealstep.)

Bei einem Algorithmus für maschinelles Lernen trainieren Wissenschaftler ein Computerprogramm, um auf der Grundlage eines ersten Datensatzes Schlussfolgerungen zu ziehen und anschließend das aus diesem Training Gelernte zu nutzen, um Entscheidungen auf der Grundlage eines weiteren Datensatzes zu treffen.

„Für jede Art von Batterieanwendung, von Mobiltelefonen über Elektrofahrzeuge bis hin zu Netzspeichern, ist die Batterielebensdauer von grundlegender Bedeutung für jeden Verbraucher“, sagte Noah Paulson, Informatiker am Argonne National Laboratory und einer der Autoren der Studie. „Eine Batterie Tausende Male laden und entladen zu müssen, bis sie ausfällt, kann Jahre dauern; unsere Methode schafft eine Art computergestütztes Testlabor, in dem wir schnell ermitteln können, wie sich verschiedene Batterien verhalten.“

„Momentan lässt sich der Kapazitätsverlust einer Batterie nur durch Lade- und Entladezyklen ermitteln“, ergänzte die Elektrochemikerin Susan „Sue“ Babinec vom Argonne National Laboratory, eine weitere Autorin der Studie. „Das ist sehr teuer und zeitaufwendig.“

Laut Paulson ist die Bestimmung der Batterielebensdauer nicht einfach. „Batterien halten nicht ewig. Ihre Lebensdauer hängt von der Nutzung, ihrer Konstruktion und ihrer chemischen Zusammensetzung ab“, erklärte er. „Bisher gab es keine wirklich zuverlässige Methode, die Lebensdauer einer Batterie vorherzusagen. Verbraucher möchten wissen, wie lange sie noch Zeit haben, bevor sie eine neue Batterie kaufen müssen.“

Ein besonderes Merkmal der Studie ist, dass sie auf umfangreichen experimentellen Arbeiten des Argonne National Laboratory zu verschiedenen Batteriekathodenmaterialien basiert, insbesondere zu der patentierten Nickel-Mangan-Kobalt (NMC)-basierten Kathode des Argonne National Laboratory. „Wir hatten Batterien mit unterschiedlichen chemischen Zusammensetzungen, die sich in ihrem Alterungs- und Ausfallverhalten unterscheiden“, erklärte Paulson. „Der Wert dieser Studie liegt darin, dass sie uns charakteristische Signale für das Verhalten verschiedener Batterien lieferte.“

Weiterführende Forschung in diesem Bereich birgt das Potenzial, die Zukunft von Lithium-Ionen-Batterien maßgeblich zu beeinflussen, so Paulson. „Wir können den Algorithmus unter anderem mit bekannten chemischen Zusammensetzungen trainieren und ihn dann Vorhersagen für unbekannte Zusammensetzungen treffen lassen“, erklärte er. „Im Wesentlichen kann uns der Algorithmus dabei helfen, neue und verbesserte chemische Zusammensetzungen zu entwickeln, die eine längere Lebensdauer ermöglichen.“

Paulson ist überzeugt, dass der Algorithmus für maschinelles Lernen die Entwicklung und Erprobung von Batteriematerialien beschleunigen könnte. „Angenommen, Sie haben ein neues Material und testen es einige Male. Mithilfe unseres Algorithmus könnten Sie seine Lebensdauer vorhersagen und dann entscheiden, ob Sie die Tests fortsetzen möchten oder nicht.“

„Wenn man als Forscher in einem Labor arbeitet, kann man in kürzerer Zeit viel mehr Materialien entdecken und testen, weil man eine schnellere Möglichkeit hat, sie zu bewerten“, fügte Babinec hinzu.

Eine auf der Studie basierende Arbeit,Feature Engineering für maschinelles Lernen ermöglichte die frühzeitige Vorhersage der Batterielebensdauer”, erschien in der Online-Ausgabe des Journal of Power Sources vom 25. Februar.

Neben Paulson und Babinec gehören zu den weiteren Autoren des Artikels Joseph Kubal, Logan Ward, Saurabh Saxena und Wenquan Lu vom Argonne National Laboratory.

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