Prediksi Umur Baterai Akurat dengan AI – Studi DOE Argonne
Dalam studi baru, peneliti di Laboratorium Nasional Argonne dari Departemen Energi AS (DOE) telah beralih ke pembelajaran mesin untuk memprediksi umur berbagai jenis kimia baterai yang berbeda. Dengan menggunakan data eksperimental yang dikumpulkan di Argonne dari sekelompok 300 baterai yang mewakili enam jenis kimia baterai yang berbeda, ilmuwan dapat secara akurat menentukan seberapa lama berbagai baterai akan terus bersiklus.
Dalam algoritma pembelajaran mesin, ilmuwan melatih program komputer untuk membuat kesimpulan pada himpunan data awal yang diketahui yang diberikan padanya, dan kemudian mengambil apa yang telah dipelajari dari pelatihan tersebut untuk membuat keputusan pada himpunan data yang tidak diketahui yang baru.
“Untuk setiap jenis aplikasi baterai yang berbeda, dari ponsel hingga kendaraan listrik hingga penyimpanan jaringan, umur baterai adalah dari 중요nya mendasar,” kata ilmuwan komputasi Argonne Noah Paulson, penulis studi. “Memerlukan siklus baterai ribuan kali sampai gagal dapat memakan waktu tahun; metode kami menciptakan semacam dapur uji komputasi di mana kita dapat dengan cepat menentukan bagaimana berbagai baterai akan berkinerja.”
“Saat ini, satu-satunya cara untuk mengevaluasi bagaimana kapasitas dalam baterai memudar, adalah dengan sebenarnya mensiklus baterai,” tambah ilmuwan elektrokimia Argonne Susan “Sue” Babinec, penulis lain dari studi. “Itu sangat mahal dan memakan waktu lama.”
Menurut Paulson, proses untuk menentukan umur baterai bisa sulit. “Kenyataannya baterai tidak bertahan selamanya, dan seberapa lama mereka bertahan tergantung pada cara kita menggunakannya, serta desain dan kimianya,” katanya. “Sampai sekarang, sebenarnya tidak ada cara yang bagus untuk mengetahui seberapa lama baterai akan bertahan. Orang akan ingin tahu berapa lama mereka masih ada sampai harus mengeluarkan uang untuk baterai baru.”
Salah satu aspek unik dari studi adalah bahwa studi ini bergantung pada pekerjaan eksperimental yang luas yang dilakukan di Argonne pada berbagai materi katoda baterai, terutama katoda nickel-manganese-cobalt (NMC) yang dipatenkan Argonne. “Kami memiliki baterai yang mewakili berbagai kimia, yang memiliki cara yang berbeda dalam degradasi dan kegagalan,” kata Paulson. “Nilai dari studi ini adalah bahwa itu memberikan kita sinyal yang khas tentang bagaimana berbagai baterai berkinerja.”
Studi lebih lanjut di bidang ini memiliki potensi untuk memandu masa depan baterai lithium-ion, kata Paulson. “Salah satu hal yang dapat kita lakukan adalah untuk melatih algoritma pada kimia yang diketahui dan membuatnya memberikan prediksi pada kimia yang tidak diketahui,” katanya. “Esensialnya, algoritma mungkin dapat membantu mengarahkan kita menuju kimia baru dan yang ditingkatkan yang menawarkan umur yang lebih lama.”
Dengan cara ini, Paulson yakin bahwa algoritma pembelajaran mesin dapat mempercepat pengembangan dan pengujian materi baterai. “Katakanlah Anda memiliki materi baru, dan Anda mensiklusnya beberapa kali. Anda dapat menggunakan algoritma kami untuk memprediksi keawetan, dan kemudian membuat keputusan apakah Anda ingin melanjutkan mensiklusnya secara eksperimental atau tidak.”
“Jika Anda adalah peneliti di laboratorium, Anda dapat menemukan dan menguji banyak lebih banyak materi dalam waktu lebih singkat karena Anda memiliki cara yang lebih cepat untuk mengevaluasinya,” Babinec tambah.
Sebuah makalah berdasarkan studi, “Feature engineering for machine learning enabled early prediction of battery lifetime,” muncul dalam edisi online 25 Februari dari Journal of Power
