La domanda di elettrificazione dei trasporti è emersa negli ultimi anni a causa delle crescenti preoccupazioni per il riscaldamento globale. L'adozione diffusa di veicoli elettrici si tradurrà in una riduzione delle emissioni nocive e in un'aria più pulita, tra gli altri vantaggi sociali ed economici. L'industria delle batterie ha bisogno di soluzioni software per i produttori di batterie per ridurre i costi di fabbricazione e sviluppo migliorando le metriche chiave delle batterie.

L'intelligenza artificiale sta sbloccando la tecnologia delle batterie che alimenterà il futuro del trasporto pulito, provocando un cambiamento nel settore automobilistico. Però, capacità di ricarica, densità energetica e costi dovranno migliorare notevolmente. L'intelligenza artificiale ha il potenziale per influenzare lo sviluppo della batteria e comprendere la relazione tra dati e parametri della batteria.

La prestazione, costo, e la sicurezza delle batterie determinano il successo dello sviluppo dei veicoli elettrici (EV) e attualmente, Le batterie agli ioni di litio (Li-ion) sono la scelta preferita per i veicoli elettrici a causa della loro durata del ciclo e della ragionevole densità di energia.

Però, ulteriori ricerche sulle batterie agli ioni di litio si tradurranno in dinamiche della batteria più complicate, dove la sicurezza e l'efficienza diventeranno una preoccupazione.

Perciò, un sistema avanzato di gestione della batteria in grado di ottimizzare e monitorare la sicurezza è fondamentale per l'elettrificazione dei veicoli.

Una collaborazione tra il Dr. Gareth Conduit (Cavendish Laboratory, Università di Cambridge e co-fondatore di Intellegens), l'Istituto di Ricerca e Ingegneria dei Materiali presso A*STAR, e la Nanyang Technological University hanno valutato vari approcci di apprendimento automatico (ML) per una previsione rapida e accurata dello stato della batteria. L'articolo di recensione è stato pubblicato su Intelligenza della macchina della natura .

Apprendimento automatico basato sui dati per l'ottimizzazione della batteria dei veicoli elettrici

Sono stati implementati algoritmi di apprendimento automatico per prevedere lo stato di salute, stato di carica, e vita utile residua.

I modelli basati sui dati hanno attirato l'attenzione negli ultimi anni, e combinato con tecniche di apprendimento automatico, questi modelli sembrano essere più potenti e in grado di prevedere senza una conoscenza a priori del sistema e hanno il potenziale per ottenere un'elevata precisione con un basso costo computazionale.

Le batterie hanno diversi parametri chiave, compresa la tensione, temperatura, e stato di cambiamento. I malfunzionamenti della batteria sono associati a fluttuazioni anomale di questi parametri, quindi prevederli accuratamente è fondamentale per garantire che i veicoli elettrici funzionino in modo affidabile e sicuro nel tempo.

Una volta sul posto, modelli predittivi possono essere utilizzati per standardizzare i processi, consentendo a tutte le parti interessate l'accesso alle stesse conoscenze e strumenti, e ridurre i costi sia in termini di numero di esperimenti che devono essere eseguiti sia di ottimizzazione degli esperimenti per ridurre al minimo la necessità di componenti o processi costosi.

Ciò si traduce in un impatto ambientale ridotto progettando esperimenti e prodotti che dipendono meno da elementi o processi tossici.

Come sarà il futuro del settore delle batterie?

Con i costi ridotti dei dispositivi di archiviazione dati e il progresso delle tecnologie computazionali, l'apprendimento automatico basato sui dati sembra essere l'approccio più promettente per la modellazione avanzata delle batterie in futuro.

Questo approccio è stato utilizzato per risolvere molti problemi di alto valore e le variabili chiave per la sua implementazione di successo sono sia la disponibilità dei dati che la qualità dei dati. Tuttavia, c'è stato un recente aumento nell'applicazione di metodi di apprendimento automatico per aiutare a ottimizzare diversi aspetti del settore delle batterie.

In entrambi i casi, l'utilizzo di dati provenienti da più domini, compresi i dati di esperimenti che sono falliti, svolgono un ruolo cruciale nell'accelerazione e nell'ottimizzazione della progettazione della batteria, chimica e sistemi di gestione.

Il Dr. Gareth Conduit (Royal Society University Research Fellow presso l'Università di Cambridge e CTO presso Intellegens) ha commentato

"La nostra tecnologia di apprendimento automatico, alchimita, può vedere le correlazioni tra tutti i parametri disponibili, sia ingressi che uscite, in set di dati sparsi e rumorosi. Il risultato sono modelli accurati in grado di prevedere i valori mancanti, trovare errori e ottimizzare le proprietà di destinazione. In grado di lavorare con dati completi fino allo 0,05%, Alchemite può svelare problemi di dati che non sono accessibili ai tradizionali approcci di machine learning."

Alchemite sta fornendo soluzioni rivoluzionarie nella scoperta di farmaci, materiale avanzato, analisi dei pazienti, manutenzione predittiva e batterie, consentendo alle organizzazioni di superare i colli di bottiglia dell'analisi dei dati, ridurre la quantità di tempo e denaro spesi per la ricerca, e sostenere meglio, processo decisionale più rapido.

Le intuizioni in questo articolo di revisione potrebbero avere un effetto trasformativo sul settore delle batterie. 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.