Modelowanie baterii EV z wykorzystaniem sztucznej inteligencji
Rosnąca konkurencja powoduje, że producenci samochodów coraz więcej czasu, pieniędzy i wysiłku inwestują w testowanie baterii, wykorzystując do tego celu sztuczną inteligencję (AI). Nie powinno to dziwić, biorąc pod uwagę fakt, że baterie są najważniejszym komponentem pojazdów elektrycznych, od których zależą takie parametry jak zasięg, starzenie się, bezpieczeństwo oraz czas ładowania.
Modelowanie baterii jest zadaniem wysoce złożonym. Reakcje chemiczne zachodzące w rzeczywistości są prawie niemożliwe do zaprogramowania w warunkach laboratoryjnych. Inżynierowie, dążąc do opracowania własnej baterii lub wyselekcjonowania najlepszej opcji od dostawcy, wykonują liczne testy nie tylko generujące koszty sięgające milionów dolarów, ale również wymagające miesięcy, a nawet lat pracy.
Z uwagi na znaczenie bezpieczeństwa i wydajności akumulatorów, inżynierowie mają tendencję do nadmiernego testowania baterii podczas walidacji. Rezultatem tej konserwatywnej strategii są bardzo kosztowne i czasochłonne plany testów. Inżynierowie, którzy decydują się na plan testów czynnikowych (w których testowane jest każde połączenie wartości parametrów wejściowych), tracą dużo czasu i wysiłku na testowanie kombinacji, które nie dostarczają nowych informacji o wydajności ich baterii. Inni opracowują plan testów na podstawie swoich poprzednich doświadczeń z rozwojem systemów testowych, co również prowadzi do nieefektywności. Biorąc pod uwagę złożony charakter baterii, plany testów oparte na doświadczeniu lub czynnikowe są do pięciu razy droższe, niż jest to konieczne i mogą trwać nawet dwa razy dłużej.
Tutaj z pomocą przychodzi sztuczna inteligencja i uczenie maszynowe. Dzięki zdolności uczenia się z danych inżynierowie testujący mogą szybko zrozumieć charakterystyki behawioralne, które są tak skomplikowane, że bez odpowiednich narzędzi trudno je rozszyfrować. AI, które uczy się z rzeczywistych danych testowych, jest niezawodnym i skutecznym środkiem do rozwiązania nieuchwytnych fizycznych problemów baterii, z którymi obecne narzędzia do symulacji i planowania testów nie radzą sobie efektywnie.
W ubiegłym roku badacze ze Stanford, MIT i Toyota Research Institute przeprowadzili eksperymenty z zastosowaniem technik uczenia maszynowego do testowania akumulatorów. Celem było wykorzystanie AI do zmniejszenia liczby i czasu trwania testów wymaganych do zidentyfikowania cyklu życia baterii pojazdów elektrycznych oraz stworzenia idealnych warunków protokołu ładowania, aby maksymalizować żywotność baterii.
Łącząc wiele algorytmów AI, badacze byli w stanie określić przewidywaną długość życia baterii, wykorzystując tylko ułamek testów, których wymagałyby tradycyjne metody. Podczas gdy klasyczne techniki testowe potrzebowały ponad 500 dni, badacze ze Stanford, MIT i Toyota Research zastosowali metodę iteracyjną, opartą na ciągłym uczeniu się, dzięki czemu osiągnęli pożądane wyniki już w 16 dni. Oznacza to oszczędność czasu o niemal 98% w porównaniu do standardowych procedur.
Firma Monolith, wspólnie ze startupem specjalizującym się w technologiach baterii, About: Energy, angażuje się w tworzenie wstępnie wytrenowanych modeli AI, które są opracowywane na podstawie dokładnych i zaawansowanych danych o bateriach. Obie firmy łączy wspólny cel: znaczące przyspieszenie procesu tworzenia pojazdów elektrycznych. Dzięki wykorzystaniu modelowania baterii opartego na sztucznej inteligencji możliwe jest skrócenie cyklu badawczo-rozwojowego o 12 - 18 miesięcy.