GÜNDEM

Makine öğrenimi sayesinde pil ömrü artık tahmin edilebiliyor

Argonne araştırmacıları, çok çeşitli farklı kimyalar için pil çevrim ömrü tahminleri yapmak amacıyla makine öğrenimi modellerini kullanıyor.

Yeni bir çalışmada, ABD Enerji Bakanlığı’nın (DOE) Argonne Ulusal Laboratuvarı’ndaki araştırmacılar, çok çeşitli farklı pil kimyalarının ömrünü tahmin etmek için makine öğreniminin gücüne yöneldiler. Artık bilim insanları, 6 farklı pil kimyasını temsil eden bir dizi 300 pilden toplanan deneysel verileri kullanarak farklı pillerin ne kadar süre döngüye devam edeceğini doğru bir şekilde belirleyebiliyor.

Araştırmacılar, bir makine öğrenimi algoritmasında bir bilgisayar programını ilk veri kümesi üzerinde çıkarımlar yapmak için eğitti ve daha sonra başka bir veri kümesi üzerinde karar vermek için bu eğitimden öğrendiklerini kullandılar. Araştırmanın yazarı olan Argonne bilgisayar bilimcisi Noah Paulson, cep telefonlarından elektrikli araçlara ve şebeke depolamasına kadar her farklı pil uygulaması için pil ömrünün tüketicilerin en çok dikkat ettiği unsurlardan biri olduğunu söyledi. Bununla birlikte yöntemlerinin, farklı pillerin nasıl performans göstereceğinin hızlı bir şekilde belirlenebileceği bir tür hesaplamalı test yarattıklarını belirtti. Araştırmanın bir diğer yazarı olan Argonne elektrokimyacısı Susan Babinec ise şu anda bir pildeki kapasitenin nasıl azaldığını değerlendirmenin tek yolunun, pili fiilen döngüye almak olduğunu dile getirdi. Bunun maliyetinin de çok yüksek olduğunu ve uzun zaman aldığını ekledi.

Çalışmanın benzersiz bir diğer yönü ise Argonne’de çeşitli pil katot malzemelerinin, özellikle Argonne’nin patentli nikel-manganez-kobalt (NMC) bazlı katodu üzerinde yapılan kapsamlı deneysel çalışmalara dayanmasıdır. Paulson, bu alanda daha fazla çalışmanın lityum iyon pillerin geleceğine rehberlik etme potansiyeline sahip olduğunu söyledi. Bu nedenle, amaçlarının algoritmayı bilinen bir kimya üzerinde eğitmek ve bilinmeyen bir kimya üzerinde tahminler yapmasını sağlamak olduğunu belirtti. Bu şekilde Paulson, makine öğrenimi algoritmasının pil malzemelerinin geliştirilmesini ve test edilmesini hızlandırabileceğine inanıyor.

İlgili Makaleler

Başa dön tuşu