3 Minuty
AI mapuje stárnutí baterií pro delší životnost a bezpečnější provoz
Baterie v elektromobilech (EV) často představují první zásadní součástku, která podléhá degradaci, což zvyšuje náklady na výměnu a zpomaluje masové rozšiřování elektro-mobility. Výzkumníci z Univerzity v Uppsale ve spolupráci s Univerzitou v Aalborgu vyvinuli nový model založený na umělé inteligenci, který poskytuje mnohem přesnější obraz o stárnutí baterií a vnitřních chemických procesech. Model, publikovaný v Energy & Environmental Science, slibuje až 70% nárůst spolehlivosti predikcí stavu baterií oproti stávajícím metodám.
Jak funguje hybridní AI model
Tým zkombinoval tisíce krátkých měření nabíjecích segmentů s detailním, fyzikálně informovaným modelem vnitřní chemie článku. Místo toho, aby byly baterie považovány za „černé skříňky“, tento hybridní přístup spojuje strojové učení s elektrochemickým modelováním a umožňuje sledovat konkrétní reakce, které produkují energii a způsobují degradaci. Podle vedoucího studie, profesora Daniela Brandella, tato transparentnost umožňuje inteligentnější strategie řízení, které prodlužují životnost článků a zvyšují jejich spolehlivost.
Hlavní technologické vlastnosti
- Strojové učení založené na fyzikálních modelech: Kombinuje empirická data s modely chemických procesů pro přesné zjištění stavu baterie (SoH).
- Analýza krátkých segmentů nabíjení: Využívá krátké intervaly nabíjení a vybíjení, čímž snižuje citlivost dat a usnadňuje nasazení v praxi.
- Vysoká odolnost predikcí: Výzkumníci uvádějí až o 70 % lepší spolehlivost při odhadu stavu baterie.
- Kompatibilita se systémy správy baterií (BMS): Navrženo k rozšíření stávajících BMS i nástrojů pro prediktivní údržbu.
Výhody oproti běžným postupům
Tradiční modely umělé inteligence typu „černá skříňka“ často vyžadují rozsáhlá a nepřetržitá data, přičemž opomíjejí chemické příčiny stárnutí baterií. Oproti tomu hybridní model přináší:
- Přesnější odhad stavu baterie a delší předpověď životnosti, což snižuje předčasné výměny baterií.
- Lepší předvídání bezpečnosti díky detekci konstrukčních chyb a nebezpečných vedlejších reakcí z nabíjecích a vybíjecích vzorců.
- Nižší riziko narušení soukromí — analýza je možná ze zkrácených, anonymizovaných segmentů namísto kompletních jízdních záznamů.
Srovnání a důležitost na trhu
Ve srovnání s čistě strojovým učením nebo pouze analytickými elektrochemickými modely přináší hybridní metoda kompromis mezi náročností na data a vysvětlitelností. Pro automobilky a výrobce baterií tento přístup znamená možnost snížit záruční náklady, prodloužit využitelnou životnost baterií a urychlit přechod k elektromobilitě díky nižším celkovým nákladům na vlastnictví (TCO). Pro regulátory a bezpečnostní techniky nabízí model nový způsob včasné identifikace a snížení rizik.
Příklady využití a dopad v praxi
Možné aplikace zahrnují:
- Integraci do nových systémů správy baterií (BMS) pro adaptivní strategie nabíjení u výrobců vozidel.
- Využití u flotilních provozovatelů a taxi služeb ke zvýšení životnosti bateriových sad a minimalizaci prostojů díky prediktivní údržbě.
- Optimalizaci rychlonabíjecích profilů v sítích nabíjecích stanic s cílem omezit degradaci článků.
- Efektivnější posouzení zbytkové kapacity a bezpečnosti při recyklaci a opětovném využití baterií na specializovaných trzích.
Výhled: rychlejší elektrifikace díky bezpečnějším bateriím
Tento AI model otevírá cestu k bezpečnějším a déle trvajícím bateriím pro elektromobily tím, že odhaluje, co se v článcích děje, a zároveň poskytuje spolehlivé predikce z omezených, k soukromí šetrných dat. S rostoucí elektrifikací dopravy budou nástroje propojující strojové učení a elektrochemické znalosti zásadní pro optimalizaci životního cyklu baterií, snižování nákladů i splnění bezpečnostních standardů na globálních trzích.
Zdroj: techxplore
Komentáře