4 Minute
AI cartografiază îmbătrânirea bateriilor pentru a extinde durata de viață și a îmbunătăți siguranța
Bateriile vehiculelor electrice (EV) sunt de obicei primele componente majore care se degradează, crescând costurile de înlocuire și încetinind tranziția către transportul electrificat. Cercetători de la Universitatea Uppsala, în colaborare cu Universitatea Aalborg, au dezvoltat un model revoluționar bazat pe inteligență artificială, care oferă o imagine mult mai precisă a îmbătrânirii bateriilor și a proceselor chimice interne. Publicat în Energy & Environmental Science, acest model promite o creștere cu până la 70% a robusteții predicțiilor privind sănătatea bateriei comparativ cu metodele actuale.
Cum funcționează modelul AI hibrid
Echipa a combinat mii de măsurători de încărcare pe segmente scurte cu o reprezentare detaliată, ghidată de principii fizico-chimice, a chimiei interne a celulei. Spre deosebire de abordarea clasică, care tratează bateriile ca pe niște „cutii negre”, această metodă îmbină învățarea automată cu modelele electrochimice pentru a urmări reacțiile ce generează energie și provoacă degradarea. Potrivit profesorului Daniel Brandell, coordonatorul studiului, această vizibilitate permite strategii de control mai inteligente, care mențin celulele sănătoase pentru perioade mai îndelungate.
Caracteristici tehnologice cheie
- Învățare automată informată de fizică: combină datele empirice cu modele ale proceselor chimice pentru a estima cu acuratețe starea de sănătate (SoH) a bateriei.
- Analiza încărcărilor pe segmente scurte: utilizează secvențe scurte de încărcare și descărcare, reducând sensibilitatea datelor și facilitând implementarea pe teren.
- Robustețe ridicată în predicții: cercetătorii raportează o creștere a robusteții predicțiilor de sănătate a bateriei cu până la 70%.
- Compatibilitate cu sistemele de management al bateriei (BMS): proiectat pentru a suplimenta sistemele BMS existente și instrumentele de mentenanță predictivă.
Avantaje față de metodele convenționale
Modelele AI tradiționale, de tip „cutie neagră”, necesită de obicei seturi mari și continue de date și pot rata cauzele chimice ale îmbătrânirii bateriilor. În schimb, acest model hibrid oferă:
- Estimări îmbunătățite ale stării de sănătate (SoH) și previziuni de durată de viață, reducând necesitatea înlocuirilor premature.
- Predicții mai bune privind siguranța, prin detectarea defectelor de proiectare și a reacțiilor adverse, pe baza tiparelor de încărcare/descărcare.
- Reducerea riscului privind confidențialitatea datelor — analizele utilizabile fiind extrase din secvențe scurte, ușor de anonimizat, nu din jurnale complete de utilizare.
Comparații și relevanță pe piață
Comparativ cu modelele bazate exclusiv pe învățare automată sau cu cele stricte electrochimice, metoda hibridă echilibrează nevoia de date voluminoase și lipsa de transparență decizională cu o mai bună explicabilitate și eficiență. Pentru producătorii auto și fabricanții de baterii, această abordare poate reduce costurile de garanție, prelungi durata utilizabilă a bateriilor și accelera adoptarea vehiculelor electrice prin scăderea costului total de deținere (TCO). Pentru autoritățile de reglementare și inginerii de siguranță, modelul facilitează identificarea și gestionarea proactivă a riscurilor.
Cazuri de utilizare și impact real
Aplicațiile potențiale includ:
- Integrarea în sistemele BMS de ultimă generație ale producătorilor auto pentru optimizarea încărcării adaptative.
- Operatorii de flote și serviciile de ride-hailing folosind mentenanță predictivă pentru a prelungi viața pachetelor de baterii și a reduce timpii de nefuncționare.
- Rețelele de stații de încărcare care optimizează profilurile de încărcare rapidă pentru a limita degradarea.
- Piațele de baterii second-life și centrele de reciclare care pot evalua mai sigur capacitatea reziduală și siguranța celulelor.
Perspective: accelerarea electrificării cu baterii mai sigure
Prin evidențierea proceselor interne ale celulelor și furnizarea de predicții robuste despre sănătatea bateriilor din seturi de date restrânse și conforme cu standardele de confidențialitate, acest model AI oferă o cale pragmatică pentru baterii EV mai sigure și cu durată de viață extinsă. Pe măsură ce electrificarea vehiculelor se accelerează, instrumentele care combină învățarea automată cu modele electrochimice vor fi esențiale pentru optimizarea ciclurilor de viață ale bateriilor, reducerea costurilor și respectarea standardelor de siguranță pe piețele globale.
Sursa: techxplore
Comentarii