通过机器学习预测电池寿命
在一项新研究中，美国能源部 (DOE) 阿贡国家实验室的研究人员已转向机器学习来预测各种不同电池化学物质的寿命。通过使用在 Argonne 从一组代表六种不同电池化学成分的 300 块电池中收集的实验数据，科学家们可以准确地确定不同电池将继续循环多长时间。
在机器学习算法中，科学家训练计算机程序对输入的一组初始已知数据进行推断，然后利用从该训练中学到的知识对一组新的未知数据做出决策。
“对于每一种不同类型的电池应用，从手机到电动汽车再到电网存储，电池寿命都至关重要，”该研究的作者、Argonne 计算科学家 Noah Paulson 说。 â�<“必须将电池循环数千次直到失效可能需要数年时间；我们的方法创建了一种计算测试厨房，我们可以在其中快速确定不同电池的性能。”
“目前，评估电池容量如何衰减的唯一方法是实际循环电池，”阿贡电化学家 Susan 补充说 â�<“Sue” Babinec，该研究的另一位作者。 â�<“非常昂贵，而且需要很长时间。”
根据保尔森的说法，确定电池寿命的过程可能很棘手。 “现实情况是，电池不会永远持续下去，它们能持续多久取决于我们使用它们的方式，以及它们的设计和化学成分，”他说。 â�<“直到现在，还没有一种很好的方法可以知道电池可以使用多长时间。人们会想知道他们需要多长时间才能花钱购买新电池。”
该研究的一个独特方面是它依赖于阿贡在各种电池阴极材料上进行的广泛实验工作，特别是阿贡专利的镍锰钴 (NMC) 基阴极。 “我们有代表不同化学成分的电池，它们具有不同的降解和失效方式，”保尔森说。 â�<“这项研究的价值在于它为我们提供了不同电池性能特征的信号。”
保尔森说，该领域的进一步研究有可能指导锂离子电池的未来。 â�<“我们能够做的一件事是在已知化学物质上训练算法，并让它对未知化学物质做出预测，”他说。 â�<“从本质上讲，该算法可能有助于为我们指明新的和改进的化学物质的方向，以提供更长的寿命。”
通过这种方式，保尔森认为机器学习算法可以加速电池材料的开发和测试。 â�<“假设您有一种新材料，并且循环了几次。你可以使用我们的算法来预测它的寿命，然后决定是否要继续通过实验循环它。”
“如果你是实验室的研究人员，你可以在更短的时间内发现和测试更多的材料，因为你有更快的方法来评估它们，”Babinec 补充道。
一篇基于该研究的论文，“机器学习的特征工程能够对电池寿命进行早期预测”，出现在 2 月 25 日的Journal of Power
在线版中传感器