AI 트렌드 스태프
AI 기술은 차세대 전기 자동차 및 소비자 전자 제품에 전력을 공급하기 위해 배터리 수명을 연장하고 상태를 모니터링하는 것을 목표로 하는 연구자들이 적용하고 있습니다.
캠브리지 대학과 뉴캐슬 대학의 연구원들이 현재 산업 표준의 XNUMX배 정확도로 배터리 상태를 예측할 수 있는 기계 학습 방법을 설계했다고 한 계정 ScienceDaily. 약속은 더 안전하고 신뢰할 수 있는 배터리를 개발하는 것입니다.
배터리를 모니터링하는 새로운 방법으로 연구원들은 전기 펄스를 배터리에 보내고 반응을 모니터링했습니다. 그런 다음 측정값을 기계 학습 알고리즘으로 처리하여 배터리의 상태와 사용 수명을 예측할 수 있습니다. 이 방법은 비침습적이며 모든 배터리 시스템에 추가할 수 있습니다.
리튬이온 배터리의 남은 유효 충전량을 예측할 수 없다는 점은 전기차 보급의 한계이자 휴대폰 사용자의 골칫거리다. 배터리 상태를 예측하는 현재 방법은 배터리 충전 및 방전 중 전류 및 전압 추적을 기반으로 합니다. 새로운 방법은 배터리 내부에서 일어나는 일에 대해 더 많이 포착하고 미묘한 변화를 더 잘 감지할 수 있습니다.
연구를 공동으로 이끈 캠브리지 캐번디시 연구소의 알파 리 박사는 “우리가 작은 공간에 많은 에너지를 담을 수 있는 배터리를 개발할 때 안전과 신뢰성은 가장 중요한 설계 기준입니다. "충전 및 방전을 모니터링하는 소프트웨어를 개선하고 데이터 기반 소프트웨어를 사용하여 충전 프로세스를 제어함으로써 배터리 성능을 크게 향상시킬 수 있다고 믿습니다."
연구원들은 배터리 노화의 징후를 발견하는 방법에 대해 모델을 훈련시키기 위해 20,000번 이상의 실험적 측정을 수행했습니다. 이 모델은 중요한 신호와 관련 없는 잡음을 구별하는 방법을 학습합니다. 이 모델은 어떤 전기 신호가 노화와 가장 관련이 있는지 학습한 다음 연구원이 특정 실험을 설계하여 배터리 성능이 저하되는 이유를 더 깊이 조사할 수 있도록 합니다.
공동 저자인 Cavendish Laboratory의 Yunwei Zhang 박사는 "기계 학습은 물리적 이해를 보완하고 증대합니다."라고 말했습니다. "기계 학습 모델에 의해 식별된 해석 가능한 신호는 미래의 이론 및 실험 연구를 위한 출발점입니다."
AI 컴퓨터 비전 기술을 사용하는 에너지 연구원
에너지부 산하 SLAC 국립 가속기 연구소의 연구원들은 배터리 수명을 연구하기 위해 AI 컴퓨터 비전 기술을 사용하고 있습니다. 한 계정에 따르면 과학자들은 기계 학습 알고리즘을 X선 단층 촬영 데이터와 결합하여 한 배터리 구성 요소인 음극의 열화에 대한 자세한 그림을 생성하고 있습니다. 사이언스데일리. 참조된 연구는 에 발표되었습니다. 자연 통신.
니켈-망간-코발트(NMC) 입자로 만들어진 음극의 경우 전도성 탄소 매트릭스에 의해 함께 고정됩니다. 연구원들은 배터리 성능 저하의 원인이 매트릭스에서 떨어져 나가는 입자일 수 있다고 추측했습니다. 이 팀은 스탠포드 대학에서 운영하는 에너지부의 부서인 SLAC의 스탠포드 싱크로트론 방사선 광원(SSRL)과 X선 발전을 위한 유럽 협력인 유럽 싱크로트론 방사선 시설(ESRF)의 고급 기능에 액세스할 수 있었습니다. 프랑스 그르노블에 본사를 둔 목표는 NMC 입자가 매트릭스에서 어떻게 분리되고 분리되는지, 그리고 이것이 배터리 성능 손실과 어떻게 관련되는지에 대한 그림을 구축하는 것이었습니다.
팀은 연구 수행을 돕기 위해 AI 기능이 있는 컴퓨터 비전으로 눈을 돌렸습니다. 그들은 다양한 유형의 입자를 인식하는 방법에 대한 데이터를 훈련하기 위해 기계 학습 모델이 필요했습니다. 따라서 크든 작든 NMC 입자가 음극에서 어떻게 분리되는지에 대한 XNUMX차원 그림을 개발할 수 있었습니다.
저자는 배터리 상태에 대한 더 많은 연구를 장려했습니다. "우리의 발견은 더 높은 배터리 용량을 향한 활성 입자의 유용성을 극대화하는 열쇠인 통계적 확신을 가지고 배터리 전극의 미세 구조의 진화하는 특성을 정확하게 정량화하는 것의 중요성을 강조합니다."라고 저자는 말했습니다.
(인용: Jiang, Z., Li, J., Yang, Y. et al. 리튬 이온 배터리 음극에서 입자-탄소/바인더 분리에 대한 머신 러닝 공개 통계. Nat Commun 11, 2310(2020). https://doi.org/10.1038/s41467-020-16233-5)
(스탠포드 대학, MIT 및 도요타 연구소의 연구원들이 전기 자동차 충전 시간의 급격한 감소를 연구하는 방법에 대한 설명은 다음을 참조하십시오. AI 트렌드.).
의 소스 기사를 참조하십시오 ScienceDaily, 사이 테크 데일리 과 자연 통신.
