Công nghệ AI được sử dụng để cải thiện tình trạng pin và độ an toàn

Các nhà nghiên cứu đã thiết kế một phương pháp học máy có thể dự đoán tình trạng của pin với độ chính xác cao gấp 10 lần so với tiêu chuẩn công nghiệp hiện tại, có thể hỗ trợ phát triển pin an toàn hơn và đáng tin cậy hơn cho xe điện và điện tử tiêu dùng.

Các nhà nghiên cứu, từ Đại học Cambridge và Newcastle, đã nghiên cứu một cách mới để giám sát pin bằng cách gửi các xung điện vào chúng và đo lường phản ứng. Các phép đo sau đó được xử lý bằng thuật toán học máy để dự đoán tình trạng và tuổi thọ của pin. Phương pháp của họ là không xâm lấn và là một tiện ích bổ sung đơn giản cho bất kỳ hệ thống pin hiện có nào. Kết quả được báo cáo trên tạp chí Nature Communications .

Dự đoán tình trạng và tuổi thọ còn lại của pin lithium-ion là một trong những vấn đề lớn hạn chế việc sử dụng xe điện trên diện rộng: đó cũng là một ván đề quen thuộc đối với người dùng điện thoại di động. Theo thời gian, hiệu suất pin suy giảm thông qua một mạng lưới phức tạp của các quá trình hóa học tinh vi. Về lâu dài, chúng có thể rút ngắn đáng kể hiệu suất và tuổi thọ của pin.

Các phương pháp hiện tại để dự đoán tình trạng của pin dựa trên việc theo dõi dòng điện và điện áp trong quá trình sạc và xả pin. Điều này bỏ lỡ các tính năng quan trọng cho biết sức khỏe của pin. Theo dõi nhiều quá trình đang xảy ra trong pin đòi hỏi những cách thức mới để kiểm tra pin hoạt động, cũng như các thuật toán mới có thể phát hiện các tín hiệu tinh tế khi chúng được sạc và xả.

“An toàn và độ tin cậy là tiêu chí quan trọng nhất khi chúng tôi phát triển pin có thể chứa nhiều năng lượng trong một không gian nhỏ”, Tiến sĩ Alpha Lee từ Phòng thí nghiệm Cavendish của Cambridge, người đồng dẫn đầu nghiên cứu cho biết. “Bằng cách cải thiện phần mềm theo dõi việc sạc và xả, và sử dụng phần mềm dựa trên dữ liệu để kiểm soát quá trình sạc, tôi tin rằng chúng ta có thể tăng công suất cho pin.”

Các nhà nghiên cứu đã nghĩ ra một cách để theo dõi pin bằng cách gửi các xung điện vào nó và đo phản ứng của nó. Một mô hình học máy sau đó được sử dụng để khám phá các tính năng cụ thể trong phản ứng điện là dấu hiệu của sự lão hóa pin. Các nhà nghiên cứu đã thực hiện hơn 20.000 thí nghiệm để tạo ra mô hình, bộ dữ liệu lớn nhất thuộc loại này. Điều quan trọng, mô hình học cách phân biệt các tín hiệu quan trọng với nhiễu không liên quan. Phương pháp của họ là không xâm lấn và là một tiện ích bổ sung đơn giản cho bất kỳ hệ thống pin hiện có nào.

Các nhà nghiên cứu cũng chỉ ra rằng mô hình học máy có thể được diễn giải để đưa ra gợi ý về cơ chế suy thoái vật lý. Mô hình có thể thông báo tín hiệu điện nào tương quan nhất với sự lão hóa, do đó cho phép họ thiết kế các thí nghiệm cụ thể để thăm dò lý do tại sao và làm thế nào pin xuống cấp.

“Học máy bổ sung và tăng cường sự hiểu biết về thể chất”, đồng tác giả đầu tiên Tiến sĩ Yunwei Zhang, cũng từ Phòng thí nghiệm Cavendish cho biết. “Các tín hiệu có thể giải thích được xác định bởi mô hình học máy của chúng tôi là điểm khởi đầu cho các nghiên cứu lý thuyết và thực nghiệm trong tương lai.”

Các nhà nghiên cứu hiện đang sử dụng nền tảng học máy của họ để hiểu sự xuống cấp trong các hóa chất pin khác nhau. Họ cũng đang phát triển các giao thức sạc pin tối ưu, cung cấp năng lượng bằng cách học máy, để cho phép sạc nhanh và giảm thiểu sự xuống cấp.

Công việc này được thực hiện với sự tài trợ của Viện Faraday. Tiến sĩ Lee cũng là thành viên nghiên cứu tại St Catharine’s College.

Theo Sciencedaily