Prediksi Masa Pakai Baterai dengan Pembelajaran Mesin

Dalam sebuah studi baru, para peneliti di Laboratorium Nasional Argonne Departemen Energi AS (DOE) telah beralih ke pembelajaran mesin untuk memprediksi masa pakai berbagai kimia baterai yang berbeda. Dengan menggunakan data eksperimental yang dikumpulkan di Argonne dari 300 baterai yang mewakili enam kimia baterai yang berbeda, para ilmuwan dapat secara akurat menentukan berapa lama baterai yang berbeda akan terus berputar.

Dalam algoritme pembelajaran mesin, para ilmuwan melatih program komputer untuk membuat kesimpulan pada kumpulan awal data yang diketahui yang diumpankan ke dalamnya, dan kemudian mengambil apa yang telah dipelajari dari pelatihan itu untuk membuat keputusan pada kumpulan data baru yang tidak diketahui.

“Untuk setiap jenis aplikasi baterai yang berbeda, dari ponsel hingga kendaraan listrik hingga penyimpanan jaringan, masa pakai baterai sangat penting,” kata ilmuwan komputasi Argonne, Noah Paulson, penulis studi tersebut. “Harus mendaur ulang baterai ribuan kali sampai gagal bisa memakan waktu bertahun-tahun; metode kami menciptakan semacam dapur uji komputasi tempat kami dapat dengan cepat menentukan kinerja baterai yang berbeda.”

“Saat ini, satu-satunya cara untuk mengevaluasi bagaimana kapasitas baterai memudar, adalah dengan benar-benar mendaur ulang baterai,” tambah ahli elektrokimia Argonne Susan “Sue” Babinec, penulis lain dari studi tersebut. “Itu sangat mahal dan memakan waktu lama.”

Menurut Paulson, proses menetapkan masa pakai baterai bisa jadi rumit. “Kenyataannya adalah baterai tidak bertahan selamanya, dan berapa lama mereka bertahan tergantung pada cara kita menggunakannya, serta desain dan kimianya,” katanya. “Sampai sekarang, benar-benar tidak ada cara yang bagus untuk mengetahui berapa lama baterai akan bertahan. Orang-orang akan ingin tahu berapa lama waktu yang mereka miliki sampai mereka harus mengeluarkan uang untuk membeli baterai baru.”

Salah satu aspek unik dari penelitian ini adalah bahwa penelitian ini mengandalkan pekerjaan eksperimental ekstensif yang dilakukan di Argonne pada berbagai bahan katoda baterai, terutama katoda berbasis nikel-mangan-kobalt (NMC) yang dipatenkan Argonne. “Kami memiliki baterai yang mewakili kimia yang berbeda, yang memiliki cara berbeda untuk terdegradasi dan gagal,” kata Paulson. ​“Nilai dari penelitian ini adalah memberi kami sinyal yang menjadi karakteristik kinerja baterai yang berbeda.”

Studi lebih lanjut di bidang ini memiliki potensi untuk memandu masa depan baterai lithium-ion, kata Paulson. “Salah satu hal yang dapat kami lakukan adalah melatih algoritme pada kimia yang diketahui dan membuat prediksi pada kimia yang tidak diketahui,” katanya. ​Pada dasarnya, algoritme dapat membantu mengarahkan kita ke arah kimia baru dan lebih baik yang menawarkan masa pakai lebih lama.

Dengan cara ini, Paulson percaya bahwa algoritma pembelajaran mesin dapat mempercepat pengembangan dan pengujian bahan baterai. “Katakanlah Anda memiliki materi baru, dan Anda memutarnya beberapa kali. Anda dapat menggunakan algoritme kami untuk memprediksi umur panjangnya, lalu membuat keputusan apakah Anda ingin melanjutkan siklus eksperimen atau tidak.”

“Jika Anda seorang peneliti di lab, Anda dapat menemukan dan menguji lebih banyak materi dalam waktu yang lebih singkat karena Anda memiliki cara yang lebih cepat untuk mengevaluasinya,” Babinec menambahkan.

Makalah berdasarkan penelitian, “Rekayasa fitur untuk pembelajaran mesin memungkinkan prediksi awal masa pakai baterai,” muncul di Journal of Power