1. Esquema do sistema de otimização de circuito fechado: Primeiro, as baterias são testadas. Os dados de ciclo dos 100 primeiros ciclos (especificamente, medições eletroquímicas como tensão e capacidade) são usados ​​como entrada para uma previsão de resultado inicial da vida útil do ciclo. Essas previsões de vida de ciclo de um modelo de aprendizado de máquina (ML) são subsequentemente enviadas para um algoritmo de otimização bayesiana (BO), que recomenda os próximos protocolos a serem testados equilibrando as demandas concorrentes da exploração (testando protocolos com alta incerteza no ciclo estimado vida útil) e exploração (protocolos de teste com alta vida útil estimada). Esse processo é repetido até o orçamento do teste se esgotar. Nessa abordagem, a previsão antecipada reduz o número de ciclos necessários por bateria testada, enquanto o design experimental ideal reduz o número de experimentos necessários. Um pequeno conjunto de dados de treinamento de baterias com ciclo de falha é usado para treinar o preditor de resultados iniciais e definir os hiperparâmetros BO. (Fonte: Universidade de Stanford)

O aprendizado de máquina acelera o carregamento da bateria, testando através de várias variáveis

cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br


Um grande problema associado à investigação de melhorias na bateria para aplicações de alta capacidade, como automóveis, é a dura realidade de otimizar simultaneamente os vários parâmetros do projeto, incluindo autonomia, tempo de carregamento e vida útil, exigindo muitas experiências demoradas. Por exemplo, testar as baterias de íon-lítio em fatores como seleção de materiais, fabricação de células e operação para maximizar a vida útil da bateria pode levar meses ou anos.

Projetar baterias que podem aceitar carregamento ultra-rápido é difícil porque, entre outros fatores, tende a reduzir significativamente a vida útil geral da bateria, devido à tensão adicional exercida sobre a bateria. Para minimizar esse problema, os engenheiros de bateria geralmente realizam testes exaustivos dos métodos de carregamento para encontrar os que funcionam melhor.

Agora, uma equipe da Universidade de Stanford, colaborando com pesquisadores do MIT e do Toyota Research Institute, desenvolveu uma abordagem baseada em inteligência artificial (IA) e aprendizado de máquina (ML) que reduz o tempo de teste em até 98%. Seu objetivo ideal de ML de design experimental (OED): Encontre o melhor método para carregar uma bateria de íon de lítio, como em um veículo elétrico (EV), em menos de 10 minutos, além de maximizar a vida útil da bateria.

Em vez de testar todos os métodos de cobrança possíveis igualmente ou confiar na intuição, o computador aprendeu com suas experiências para encontrar rapidamente os melhores protocolos para testar. Os pesquisadores escreveram um programa que previa como as baterias reagiriam a diferentes abordagens de carregamento, e o fizeram com base em apenas alguns ciclos de carregamento. O software também decidiu em tempo real quais abordagens de cobrança devem ser focadas ou ignoradas.

Ao reduzir a duração e o número de ensaios, os pesquisadores reduziram o processo de teste de quase dois anos para 16 dias. Embora o grupo tenha limitado seu método à velocidade de carga da bateria, eles disseram que ele pode ser aplicado a várias outras partes do desenvolvimento da bateria e até a tecnologias não energéticas.

Leia Também  Testando sistemas sem fio automotivos de última geração

1. Esquema do sistema de otimização de circuito fechado: Primeiro, as baterias são testadas. Os dados de ciclo dos 100 primeiros ciclos (especificamente, medições eletroquímicas como tensão e capacidade) são usados ​​como entrada para uma previsão de resultado inicial da vida útil do ciclo. Essas previsões de vida de ciclo de um modelo de aprendizado de máquina (ML) são subsequentemente enviadas para um algoritmo de otimização bayesiana (BO), que recomenda os próximos protocolos a serem testados equilibrando as demandas concorrentes da exploração (testando protocolos com alta incerteza no ciclo estimado vida útil) e exploração (protocolos de teste com alta vida útil estimada). Esse processo é repetido até o orçamento do teste se esgotar. Nessa abordagem, a previsão antecipada reduz o número de ciclos necessários por bateria testada, enquanto o design experimental ideal reduz o número de experimentos necessários. Um pequeno conjunto de dados de treinamento de baterias com ciclo de falha é usado para treinar o preditor de resultados iniciais e definir os hiperparâmetros BO. (Fonte: Universidade de Stanford) 1. Esquema do sistema de otimização de circuito fechado: Primeiro, as baterias são testadas. Os dados de ciclo dos 100 primeiros ciclos (especificamente, medições eletroquímicas como tensão e capacidade) são usados ​​como entrada para uma previsão de resultado inicial da vida útil do ciclo. Essas previsões de vida de ciclo de um modelo de aprendizado de máquina (ML) são subsequentemente enviadas para um algoritmo de otimização bayesiana (BO), que recomenda os próximos protocolos a serem testados equilibrando as demandas concorrentes da exploração (testando protocolos com alta incerteza no ciclo estimado vida útil) e exploração (protocolos de teste com alta vida útil estimada). Esse processo é repetido até o orçamento do teste se esgotar. Nessa abordagem, a previsão antecipada reduz o número de ciclos necessários por bateria testada, enquanto o design experimental ideal reduz o número de experimentos necessários. Um pequeno conjunto de dados de treinamento de baterias com ciclo de falha é usado para treinar o preditor de resultados iniciais e definir os hiperparâmetros BO. (Fonte: Universidade de Stanford)

A equipe implementou uma metodologia de ML para otimizar com eficiência o espaço de parâmetros, especificando os perfis de corrente e tensão de protocolos de carregamento rápido de seis etapas e dez minutos para maximizar a vida útil da bateria e a vida útil geral. Eles combinaram dois elementos principais para reduzir o que é chamado de “custo de otimização” (Figura 1):

cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br
  • Um modelo de previsão antecipada que reduziu o tempo por experiência, prevendo a vida útil final do ciclo usando dados dos primeiros ciclos
  • Um algoritmo de otimização bayesiano que reduziu o número de experimentos equilibrando dois elementos – exploração e exploração – para sondar com eficiência o espaço de parâmetros dos protocolos de carregamento.
Leia Também  A vida do JetBot - Notícias

A equipe relatou que, usando sua abordagem, eles foram capazes de identificar rapidamente protocolos de cobrança de ciclo elevado entre 224 candidatos em 16 dias (Figura 2). Por outro lado, uma pesquisa exaustiva sem previsão antecipada levaria mais de 500 dias.

2. Estrutura dos protocolos de carregamento rápido de seis etapas e dez minutos: As correntes são definidas como taxas C imensas; aqui, 1C é 1,1 A, ou a corrente necessária para (des) carregar completamente a capacidade nominal (1,1 Ahr) em 1 hora. (a) Corrente versus SOC para um exemplo de protocolo de carregamento, 7.0C-4.8C-5.2C-3.45C (linhas em negrito). Cada protocolo de carregamento é definido por cinco etapas de corrente constante (CC), seguidas por uma etapa de tensão constante (CV). As duas últimas etapas (CC5 e CV1) são idênticas para todos os protocolos de carregamento, otimizadas nas quatro primeiras etapas de corrente constante, designadas CC1, CC2, CC3 e CC4. Cada uma dessas etapas compreende uma janela SOC de 20%, de modo que CC1 varia de 0% a 20% SOC, CC2 varia de 2 0% a 40% SOC e assim por diante. O CC4 é restrito ao especificar que todos os protocolos cobram no mesmo tempo total (10 min) de 0% a 8 0% SOC. Assim, o espaço do parâmetro consiste em combinações únicas dos três parâmetros livres CC1, CC2 e CC3. Para cada etapa, o intervalo de valores aceitáveis ​​é especificado; o limite superior diminui monotonicamente com o aumento do SOC para evitar o potencial de corte superior (3,6 V para todas as etapas). (b) CC4 (escala de cores) em função de CC1, CC2 e CC3 (nos eixos x, ye z, respectivamente), em que cada ponto representa um protocolo de carregamento exclusivo. (Fonte: Universidade de Stanford)2. Estrutura dos protocolos de carregamento rápido de seis etapas e dez minutos: As correntes são definidas como taxas C imensas; aqui, 1C é 1,1 A, ou a corrente necessária para (des) carregar completamente a capacidade nominal (1,1 Ahr) em 1 hora. (a) Corrente versus SOC para um exemplo de protocolo de carregamento, 7.0C-4.8C-5.2C-3.45C (linhas em negrito). Cada protocolo de carregamento é definido por cinco etapas de corrente constante (CC), seguidas por uma etapa de tensão constante (CV). As duas últimas etapas (CC5 e CV1) são idênticas para todos os protocolos de carregamento, otimizadas nas quatro primeiras etapas de corrente constante, designadas CC1, CC2, CC3 e CC4. Cada uma dessas etapas compreende uma janela SOC de 20%, de modo que CC1 varia de 0% a 20% SOC, CC2 varia de 2 0% a 40% SOC e assim por diante. O CC4 é restrito ao especificar que todos os protocolos cobram no mesmo tempo total (10 min) de 0% a 8 0% SOC. Assim, o espaço do parâmetro consiste em combinações únicas dos três parâmetros livres CC1, CC2 e CC3. Para cada etapa, o intervalo de valores aceitáveis ​​é especificado; o limite superior diminui monotonicamente com o aumento do SOC para evitar o potencial de corte superior (3,6 V para todas as etapas). (b) CC4 (escala de cores) em função de CC1, CC2 e CC3 (nos eixos x, ye z, respectivamente), em que cada ponto representa um protocolo de carregamento exclusivo. (Fonte: Universidade de Stanford)

Sua metodologia de circuito fechado incorpora automaticamente o feedback de experiências anteriores para melhorar decisões futuras. Igualmente importante, eles foram capazes de validar a precisão e a eficiência de sua abordagem. Eles afirmam ainda que sua abordagem pode ser generalizada para outras aplicações no design de baterias, e até aplicada a outros domínios científicos que envolvem experimentos demorados e espaços de design multidimensionais.

Leia Também  Aproveite os benefícios das soluções integradas para carregadores de várias células

Além de acelerar drasticamente o processo de teste, a solução do computador também era melhor e muito mais incomum do que o que um cientista de baterias provavelmente teria criado, disse o professor de Stanford, Stefano Ermon, co-líder da equipe. “Ele nos deu esse protocolo de cobrança surpreendentemente simples – algo que não esperávamos”. Em vez de cobrar na corrente mais alta no início da carga, a solução do algoritmo usa a corrente mais alta no meio da carga. Ermon acrescentou: “Essa é a diferença entre um humano e uma máquina. A máquina não é influenciada pela intuição humana, que é poderosa, mas às vezes enganosa. ”

Os resultados completos desta pesquisa não podem ser resumidos por alguns números, palavras ou métricas, mas estão disponíveis em seu artigo detalhado “Otimização em circuito fechado de protocolos de carregamento rápido para baterias com aprendizado de máquina”, publicado em Natureza (uma versão desbloqueada é publicada aqui; não deixe de rolar para baixo). Além desse documento básico, suas Informações Suplementares fornecem gráficos e tabelas detalhados adicionais, discussão do algoritmo de aprendizado de máquina, perspectivas sobre os resultados e mais detalhes. do arranjo investigativo. Este trabalho foi financiado pela Universidade de Stanford, pelo Instituto de Pesquisa Toyota, pela National Science Foundation, pelo Departamento de Energia dos EUA e pela Microsoft Corp.

cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br