Om tillverkare av mobiltelefonbatterier kunde säga vilka celler som kommer att hålla i minst två år, då kunde de bara sälja dem till telefontillverkare och skicka resten till tillverkare av mindre krävande enheter. Ny forskning visar hur tillverkare kan göra detta. Tekniken kan användas inte bara för att sortera tillverkade celler utan för att hjälpa nya batterikonstruktioner att nå marknaden snabbare.

Att kombinera omfattande experimentella data och artificiell intelligens avslöjade nyckeln till att exakt förutsäga livslängden för litiumjonbatterier innan deras kapacitet börjar avta, forskare vid Stanford University, upptäckte Massachusetts Institute of Technology och Toyota Research Institute. Efter att forskarna tränat sin maskininlärningsmodell med några hundra miljoner datapunkter för batterier som laddas och laddas ur, Algoritmen förutspådde hur många fler cykler varje batteri skulle hålla, baserat på spänningsfall och några andra faktorer bland de tidiga cyklerna.

Förutsägelserna låg inom 9 procent av antalet cykler som cellerna faktiskt varade. Separat, Algoritmen kategoriserade batterier som antingen lång eller kort förväntad livslängd baserat på bara de första fem laddnings-/urladdningscyklerna. Här, förutsägelserna stämde 95 procent av gångerna.

Publicerad 25 mars i Naturenergi , denna maskininlärningsmetod kan påskynda forskning och utveckling av nya batteridesigner och minska tiden och kostnaden för produktion, bland andra applikationer. Forskarna har gjort datamängden – den största i sitt slag – tillgänglig för allmänheten.

"Standardsättet att testa nya batterikonstruktioner är att ladda och ladda ur cellerna tills de misslyckas. Eftersom batterier har lång livslängd, denna process kan ta många månader och till och med år, " sa medförfattaren Peter Attia, Stanford doktorand i materialvetenskap och teknik. "Det är en dyr flaskhals i batteriforskning."

Arbetet utfördes vid Centrum för datadriven design av batterier, ett akademisk-industriellt samarbete som integrerar teori, experiment och datavetenskap. Stanford-forskarna, ledd av William Chueh, biträdande professor i materialvetenskap och teknik, genomförde batteriexperimenten. MIT:s team, ledd av Richard Braatz, professor i kemiteknik, utfört maskininlärningsarbetet. Kristen Severson, medförfattare till forskningen, doktorerade i kemiteknik vid MIT i våras.

Optimerar snabbladdning

Ett fokus i projektet var att hitta ett bättre sätt att ladda batterier på 10 minuter, en funktion som skulle kunna påskynda massintroduktionen av elfordon. För att generera träningsdataset, teamet laddade och laddade ur batterierna tills var och en nådde slutet av sin livslängd, vilket de definierade som en kapacitetsförlust på 20 procent. På väg mot att optimera snabbladdning, forskarna ville ta reda på om det var nödvändigt att köra ner sina batterier i marken. Kan svaret på en batterifråga hittas i informationen från bara de tidiga cyklerna?

"Framsteg inom beräkningskraft och datagenerering har nyligen gjort det möjligt för maskininlärning att påskynda framstegen för en mängd olika uppgifter. Dessa inkluderar förutsägelse av materialegenskaper, ", sa Braatz. "Våra resultat här visar hur vi kan förutsäga beteendet hos komplexa system långt in i framtiden."

Rent generellt, kapaciteten hos ett litiumjonbatteri är stabil ett tag. Sedan tar det en kraftig sväng nedåt. Lutpunkten varierar kraftigt, som de flesta 2000-talets konsumenter vet. I detta projekt, batterierna räckte allt från 150 till 2, 300 cykler. Den variationen berodde dels på att man testade olika metoder för snabbladdning men också på att tillverkningen varierade mellan batterier.

"För all tid och pengar som spenderas på batteriutveckling, framsteg mäts fortfarande i decennier, " sa studiens medförfattare Patrick Herring, en forskare vid Toyota Research Institute. "I det här arbetet, vi minskar ett av de mest tidskrävande stegen – batteritestning – med en storleksordning."

Möjliga användningsområden

Den nya metoden har många potentiella tillämpningar, sa Attia. Till exempel, det kan förkorta tiden för validering av nya typer av batterier, vilket är särskilt viktigt med tanke på snabba framsteg inom material. Med sorteringstekniken, elfordonsbatterier som fastställts ha kort livslängd – för korta för bilar – skulle kunna användas istället för att driva gatubelysning eller säkerhetskopiera datacenter. Återvinningsföretag kunde hitta celler från begagnade elbilsbatterier med tillräckligt med kapacitet kvar för ett andra liv.

Ytterligare en möjlighet är att optimera batteritillverkningen. "Det sista steget i tillverkningen av batterier kallas "bildning, som kan ta dagar till veckor, Attia sa. "Att använda vårt tillvägagångssätt kan förkorta det avsevärt och sänka produktionskostnaden."

Forskarna använder nu sin modell för att optimera sätt att ladda batterier på bara 10 minuter, som de säger kommer att minska processen med mer än en faktor 10.