27 juin 2022 (Actualités Nanowerk) Tester la longévité des nouvelles conceptions de batteries de véhicules électriques pourrait être quatre fois plus rapide avec une approche rationalisée, ont montré des chercheurs de l'Université du Michigan (Motifs, "Un cadre générique d'optimisation du cycle de la batterie avec un échantillonnage appris et des stratégies d'arrêt précoce"). Leur cadre d'optimisation pourrait réduire considérablement le coût d'évaluation des performances des configurations de batterie sur le long terme. "L'objectif est de concevoir une meilleure batterie et, traditionnellement, l'industrie a essayé de le faire en utilisant des tests d'essais et d'erreurs", a déclaré Wei Lu, professeur de génie mécanique à l'UM et chef de l'équipe de recherche derrière le cadre, publié dans Patterns- Presse cellulaire. "Cela prend tellement de temps à évaluer." Alors que les fabricants de batteries de véhicules électriques (EV) sont aux prises avec l'anxiété de l'autonomie et les préoccupations concernant la disponibilité de la charge, le système d'optimisation développé par l'équipe de Lu pourrait réduire d'environ 75 % le temps de simulation et de test physique des nouvelles et meilleures batteries. Cette vitesse pourrait donner un coup de pouce majeur aux développeurs de batteries à la recherche de la bonne combinaison de matériaux et de configurations pour garantir que les consommateurs disposent toujours d'une capacité suffisante pour atteindre leurs destinations. Les paramètres impliqués dans la conception de la batterie incluent tout, des matériaux utilisés à l'épaisseur des électrodes en passant par la taille des particules dans l'électrode et plus encore. Tester chaque configuration signifie généralement plusieurs mois de charge complète, puis de décharge complète (ou de cycle de la batterie) 1,000 XNUMX fois pour imiter une décennie d'utilisation. Il est extrêmement long de répéter ce test à travers le grand nombre de modèles de batterie possibles pour découvrir les meilleurs. "Notre approche réduit non seulement le temps de test, mais elle génère automatiquement de meilleures conceptions", a déclaré Lu. « Nous utilisons les premiers retours d'informations pour éliminer les configurations de batterie peu prometteuses plutôt que de les recycler jusqu'à la fin. Ce n'est pas une tâche simple car une configuration de batterie fonctionnant médiocrement pendant les premiers cycles peut bien fonctionner plus tard, ou vice versa. "Nous avons systématiquement formulé le processus d'arrêt précoce et permis au système d'apprendre des données accumulées pour produire de nouvelles configurations prometteuses." Pour obtenir une réduction considérable du temps et des coûts, les ingénieurs UM ont exploité les dernières avancées en matière d'apprentissage automatique pour créer un système qui sait à la fois quand arrêter et comment s'améliorer au fur et à mesure. Le cadre arrête les tests de cycle qui ne démarrent pas de manière prometteuse afin d'économiser des ressources en utilisant les techniques mathématiques connues sous le nom d'algorithme de réduction de moitié successive asynchrone et d'hyperbande. Pendant ce temps, il prend les données des tests précédents et suggère de nouveaux ensembles de paramètres prometteurs à étudier à l'aide des estimateurs Tree of Parzen. En plus de couper les tests qui manquent de promesses, un élément clé du gain de temps dans le système U-M est la façon dont il génère plusieurs configurations de batterie à tester en même temps, connue sous le nom de parallélisation asynchrone. Si une configuration termine le test ou est rejetée, l'algorithme calcule immédiatement une nouvelle configuration à tester sans avoir à attendre les résultats des autres tests. Le cadre d'U-M est efficace pour tester les conceptions de tous les types de batteries, de celles utilisées pendant des décennies pour faire fonctionner les automobiles à combustion interne, aux produits plus petits qui alimentent nos montres et nos téléphones portables. Mais les batteries EV peuvent représenter l'utilisation la plus urgente de la technologie. "Ce cadre peut être réglé pour être plus efficace lorsqu'un modèle de prédiction des performances est incorporé", a déclaré Changyu Deng, doctorant à l'UM en génie mécanique et premier auteur de l'article. "Nous nous attendons à ce que ce travail inspire des méthodes améliorées qui nous conduisent à des batteries optimales pour fabriquer de meilleurs véhicules électriques et d'autres appareils qui améliorent la vie." Une récente enquête menée par Mobility Consumer Index a montré que 52 % des consommateurs envisagent désormais un véhicule électrique pour leur prochain achat de véhicule. Malgré l'évolution des mentalités, des inquiétudes subsistent quant à l'autonomie des véhicules (capacité de la batterie) et au nombre de bornes de recharge à la disposition des conducteurs. Les performances de la batterie jouent donc un rôle central dans la mise à la disposition des masses des véhicules électriques afin de compenser les impacts du changement climatique.