• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  • L'apprentissage automatique basé sur les données est la meilleure approche pour la modélisation avancée des batteries

    Crédit :CC0 Domaine public

    La demande d'électrification des transports a émergé ces dernières années en raison des préoccupations croissantes concernant le réchauffement climatique. L'adoption généralisée des véhicules électriques se traduira par une réduction des émissions nocives et un air plus pur, entre autres avantages sociaux et économiques. L'industrie des batteries a besoin de solutions logicielles pour les fabricants de batteries afin de réduire les coûts de fabrication et de développement tout en améliorant les mesures clés des batteries.

    L'IA débloque une technologie de batterie qui alimentera l'avenir des transports propres, provoquant un changement dans l'industrie automobile. Cependant, capacité de charge, la densité énergétique et les coûts devront s'améliorer considérablement. L'IA a le potentiel d'avoir un impact sur le développement de la batterie et de comprendre la relation entre les données et les paramètres de la batterie.

    La performance, Coût, et la sécurité des batteries déterminent le développement réussi des véhicules électriques (VE) et actuellement, Les batteries lithium-ion (Li-ion) sont le choix préféré pour les véhicules électriques en raison de leur durée de vie et de leur densité d'énergie raisonnable.

    Cependant, des recherches plus poussées sur les batteries Li-ion se traduiront par une dynamique de batterie plus compliquée, où la sécurité et l'efficacité deviendront une préoccupation.

    Par conséquent, un système avancé de gestion de batterie capable d'optimiser et de surveiller la sécurité est crucial pour l'électrification des véhicules.

    Une collaboration entre le Dr Gareth Conduit (Laboratoire Cavendish, Université de Cambridge et co-fondateur d'Intellegens), l'Institut de recherche et d'ingénierie des matériaux à A*STAR, et l'Université technologique de Nanyang a évalué diverses approches d'apprentissage automatique (ML) pour une prédiction rapide et précise de l'état de la batterie. L'article de synthèse a été publié dans Nature Machine Intelligence .

    Apprentissage automatique basé sur les données pour l'optimisation des batteries de véhicules électriques

    Des algorithmes d'apprentissage automatique ont été mis en œuvre pour prédire l'état de santé, état de charge, et la durée de vie utile restante.

    Les modèles basés sur les données ont attiré l'attention ces dernières années, et combiné avec des techniques d'apprentissage automatique, ces modèles semblent être plus puissants et capables de prédire sans connaissance a priori du système et ont le potentiel d'atteindre une grande précision avec un faible coût de calcul.

    Les batteries ont plusieurs paramètres clés, y compris la tension, Température, et état de changement. Les dysfonctionnements de la batterie sont associés à des fluctuations anormales de ces paramètres, il est donc crucial de les prévoir avec précision pour garantir que les véhicules électriques fonctionnent de manière fiable et sûre dans le temps.

    Une fois en place, les modèles prédictifs peuvent être utilisés pour standardiser les processus, permettre à toutes les parties prenantes d'accéder aux mêmes connaissances et outils, et réduire les coûts à la fois en termes de nombre d'expériences à effectuer et d'optimisation des expériences pour minimiser le besoin de composants ou de processus coûteux.

    Cela se traduit par une réduction de l'impact environnemental en concevant des expériences et des produits moins dépendants d'éléments ou de procédés toxiques.

    À quoi ressemble l'avenir de l'industrie des batteries ?

    Avec les coûts réduits des périphériques de stockage de données et l'avancement des technologies de calcul, L'apprentissage automatique basé sur les données semble être l'approche la plus prometteuse pour la modélisation avancée des batteries à l'avenir.

    Cette approche a été utilisée pour résoudre de nombreux problèmes de grande valeur et les variables clés pour sa mise en œuvre réussie sont à la fois la disponibilité et la qualité des données. Néanmoins, il y a eu une augmentation récente de l'application de méthodes d'apprentissage automatique pour aider à optimiser différents aspects de l'industrie des batteries.

    Dans les deux cas, l'utilisation des données de plusieurs domaines, y compris les données d'expériences qui ont échoué, jouer un rôle crucial dans l'accélération et l'optimisation de la conception des batteries, la chimie et les systèmes de gestion.

    Dr. Gareth Conduit (Royal Society University Research Fellow à l'Université de Cambridge et CTO à Intellegens) a commenté

    "Notre technologie d'apprentissage automatique, Alchimite, peut voir les corrélations entre tous les paramètres disponibles, les entrées et les sorties, dans des ensembles de données clairsemés et bruyants. Le résultat est des modèles précis qui peuvent prédire les valeurs manquantes, rechercher les erreurs et optimiser les propriétés de la cible. Capable de travailler avec des données aussi incomplètes que 0,05 %, Alchemite peut résoudre des problèmes de données qui ne sont pas accessibles aux approches traditionnelles d'apprentissage automatique."

    Alchemite fournit des solutions révolutionnaires dans la découverte de médicaments, matériaux avancés, analyse des patients, maintenance prédictive et batteries - permettant aux organisations de surmonter les goulots d'étranglement de l'analyse des données, réduire le temps et l'argent consacrés à la recherche, et mieux accompagner, prise de décision plus rapide.

    Les informations contenues dans cet article de synthèse pourraient avoir un effet transformateur sur l'industrie des batteries. 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.


    © Science https://fr.scienceaq.com