Immagina un sensitivo che dice ai tuoi genitori, il giorno in cui sei nato, quanto a lungo vivresti.Un’esperienza simile è possibile per i chimici delle batterie che utilizzano nuovi modelli computazionali per calcolare la durata delle batterie sulla base di un singolo ciclo di dati sperimentali.

In un nuovo studio, i ricercatori dell’Argonne National Laboratory del Dipartimento dell’Energia degli Stati Uniti (DOE) si sono rivolti al potere dell’apprendimento automatico per prevedere la durata di un’ampia gamma di diversi prodotti chimici delle batterie.Utilizzando i dati sperimentali raccolti ad Argonne da un set di 300 batterie che rappresentano sei diverse caratteristiche chimiche delle batterie, gli scienziati possono determinare con precisione per quanto tempo le diverse batterie continueranno a funzionare.

I ricercatori di Argonne hanno utilizzato modelli di apprendimento automatico per fare previsioni sulla durata del ciclo della batteria per un’ampia gamma di sostanze chimiche diverse.(Immagine di Shutterstock/Sealstep.)

In un algoritmo di apprendimento automatico, gli scienziati addestrano un programma per computer a fare inferenze su un insieme iniziale di dati, quindi utilizzano ciò che ha imparato da quella formazione per prendere decisioni su un altro insieme di dati.

“Per ogni diverso tipo di applicazione della batteria, dai telefoni cellulari ai veicoli elettrici allo stoccaggio in rete, la durata della batteria è di fondamentale importanza per ogni consumatore”, ha affermato Noah Paulson, scienziato computazionale di Argonne, autore dello studio."Dover far funzionare una batteria migliaia di volte finché non si guasta può richiedere anni;il nostro metodo crea una sorta di cucina di prova computazionale in cui possiamo stabilire rapidamente come funzioneranno le diverse batterie”.

"In questo momento, l'unico modo per valutare come diminuisce la capacità di una batteria è effettivamente eseguire il ciclo della batteria", ha aggiunto Susan "Sue" Babinec, elettrochimica di Argonne, un'altra autrice dello studio."È molto costoso e richiede molto tempo. "

Secondo Paulson, il processo per stabilire la durata della batteria può essere complicato."La realtà è che le batterie non durano per sempre e la loro durata dipende dal modo in cui le utilizziamo, nonché dal loro design e dalla loro chimica", ha affermato."Fino ad ora, non esisteva un ottimo modo per sapere quanto durerà una batteria.Le persone vorranno sapere quanto tempo hanno prima di dover spendere soldi per una nuova batteria”.

Un aspetto unico dello studio è che si basava su un ampio lavoro sperimentale svolto ad Argonne su una varietà di materiali catodici per batterie, in particolare il catodo brevettato a base di nichel-manganese-cobalto (NMC) di Argonne."Avevamo batterie che rappresentavano chimiche diverse, che avevano modi diversi di degradarsi e guastarsi", ha detto Paulson."Il valore di questo studio è che ci ha fornito segnali caratteristici del funzionamento delle diverse batterie."

Ulteriori studi in questo settore potrebbero potenzialmente guidare il futuro delle batterie agli ioni di litio, ha affermato Paulson."Una delle cose che siamo in grado di fare è addestrare l'algoritmo su una chimica nota e fargli fare previsioni su una chimica sconosciuta ", ha affermato."Essenzialmente, l'algoritmo può aiutarci a indicarci la direzione di sostanze chimiche nuove e migliorate che offrono una durata di vita più lunga."

In questo modo, Paulson ritiene che l’algoritmo di apprendimento automatico potrebbe accelerare lo sviluppo e il test dei materiali delle batterie."Supponiamo che tu abbia un nuovo materiale e lo cicli alcune volte.Potresti usare il nostro algoritmo per prevederne la longevità e poi prendere decisioni se vuoi continuare a ciclarlo sperimentalmente o meno”.

"Se sei un ricercatore in laboratorio, puoi scoprire e testare molti più materiali in un tempo più breve perché hai un modo più veloce per valutarli", ha aggiunto Babinec.

Un documento basato sullo studio, "L'ingegnerizzazione delle funzionalità per l'apprendimento automatico ha consentito di prevedere anticipatamente la durata della batteria", apparso nell'edizione online del 25 febbraio del Journal of Power Sources.

Oltre a Paulson e Babinec, altri autori dell'articolo includono Joseph Kubal di Argonne, Logan Ward, Saurabh Saxena e Wenquan Lu.

Lo studio è stato finanziato da una sovvenzione di ricerca e sviluppo diretta dal laboratorio Argonne (LDRD).