Los avances de NREL en la investigación de baterías con aprendizaje automático basado en la física acelera la caracterización del rendimiento, la vida útil y la seguridad de las células

¡Compártelo!

Los científicos de almacenamiento de energía del Laboratorio Nacional de Energía Renovable (NREL) se están volcando a la vanguardia técnicas de aprendizaje automático para fortalecer la comprensión de los materiales, la química y los diseños de celdas de las baterías avanzadas. Estos complejos algoritmos informáticos ayudan a acelerar la caracterización del rendimiento, la vida útil y la seguridad de la batería al ofrecer información sobre los patrones potenciales dentro de los conjuntos de datos. Los investigadores pueden utilizar el aprendizaje automático y la inteligencia artificial para evaluar la calidad de fabricación, la vida útil y el rendimiento, la investigación de materiales y los protocolos de seguridad para aplicaciones de almacenamiento de energía.

“Los investigadores de NREL lideran el campo en la interconexión de datos con modelos avanzados”, dijo Matt Keyser, ingeniero senior de almacenamiento de energía. “Planeamos aprovechar el aprendizaje automático junto con nuestra amplia experiencia y nuestra base de datos de investigación establecida para desarrollar aún más tecnologías de baterías de vanguardia”.

Mapeo de la arquitectura de las partículas de electrodos

Esfuerzos innovadores recientes para mapear la arquitectura de las partículas de electrodos de iones de litio destacar las oportunidades que ofrece la inteligencia artificial en la investigación del almacenamiento de energía. Los científicos luchan por identificar las rutas que toman los iones de litio cuando se intercalan en partículas de cátodo, lo que afecta el transporte de litio, las limitaciones de velocidad y los mecanismos de degradación. Los investigadores de NREL utilizaron la difracción por retrodispersión de electrones, el aprendizaje automático y el modelado multifísico para simular el movimiento de los iones. La segmentación del aprendizaje automático identificó y etiquetó granos distintos en el modelo tridimensional. El enfoque integrado permitió a los investigadores ver una arquitectura de electrodos realista en un entorno virtual innovador. Con esta nueva técnica, los investigadores pueden guiar el diseño de químicas celulares de próxima generación para identificar arquitecturas de partículas favorables.

Aumento de la precisión de la predicción de la vida útil de la batería

Los investigadores de NREL también recurrieron recientemente al aprendizaje automático para identificar los modelos más efectivos para predecir la vida útil y el rendimiento de la batería. Un algoritmo desarrollado por NREL analizó numerosos modelos existentes para identificar componentes cruciales de ecuaciones y generar un modelo parsimonioso. El nuevo modelo examinó los datos de envejecimiento de la batería para identificar las tasas de desvanecimiento de la capacidad de las baterías de iones de litio con mayor precisión y confianza que los métodos convencionales. El uso del aprendizaje automático para mejorar los modelos de predicción existentes ofrece impactos claros para informar el diseño de experimentos en el futuro. Además de la predicción de la vida útil, los nuevos modelos pueden informar el análisis de costos, el diagnóstico de degradación y el desarrollo de protocolos de carga.

“El método de aprendizaje automático descubrió automáticamente factores que, como científicos, sabemos que conducen a una degradación acelerada de la batería”, dijo Kandler Smith, quien dirige el equipo de modelado computacional de baterías de NREL. “Esta base física nos da confianza en su capacidad predictiva. La precisión es el doble que la de nuestros modelos de expertos humanos anteriores “.

Oportunidades futuras en seguridad de baterías

La ciencia de la seguridad de las baterías sigue estando a la vanguardia de las iniciativas de investigación de NREL, y el aprendizaje automático ofrece nuevos conocimientos en la predicción de fallas de la batería. Los esfuerzos para comprender completamente la falla de las baterías de iones de litio continúan presentando desafíos, ya que las celdas idénticas no siempre reaccionan de la misma manera ante escenarios de abuso. El aprendizaje automático basado en la física agrega una nueva perspectiva a los modelos de predicción existentes, integrando datos eléctricos, térmicos, acústicos y mecánicos para identificar cuándo y cómo ocurrirán las fallas. Los datos de simulación respaldados por estos experimentos ayudarán a los investigadores a identificar condiciones operativas seguras y diseños de celdas para una mayor seguridad, así como a informar a los ingenieros sobre los peligros específicos asociados con la falla para facilitar el diseño de sistemas de baterías más seguros.

“La capacidad de predecir con precisión escenarios de fallas peligrosas de las baterías conducirá a mejoras sustanciales en la seguridad de los sistemas de baterías”, dijo el investigador de almacenamiento de energía de NREL Donal Finegan. “La interconexión de modelos basados ​​en la física y aprendizaje automático con datos experimentales puede acelerar el diseño de celdas y sistemas de baterías más seguros y confiables”.

Colaboración en toda la industria

La clave para un aprendizaje automático preciso y eficaz es el acceso a datos experimentales de alta calidad disponibles abiertamente. NREL desempeña un papel fundamental en la recopilación y difusión de datos para la física compleja de baterías, que van desde el diseño de electrodos a microescala hasta los pronósticos de almacenamiento a escala de red. El recién lanzado Banco de datos de fallas de batería es la compilación más extensa de datos de seguridad disponible abiertamente, que contiene datos de varios cientos de pruebas de abuso realizadas en baterías de iones de litio. NREL también alberga el Biblioteca de microestructura de batería, desde donde se alojan los datos de nano-CT de rayos X de los electrodos de iones de litio.

Un próximo NREL alojado Taller de aprendizaje automático para baterías reunirá a los laboratorios nacionales, la academia y la industria para discutir las implicaciones del aprendizaje automático en la investigación de baterías. El taller se centrará en el diseño de microestructuras y modelado continuo, predicciones de rendimiento y seguridad de la batería. El taller se llevará a cabo del 23 al 25 de marzo de 2021 y tiene como objetivo compartir conocimientos y fomentar la colaboración sobre las últimas aplicaciones del aprendizaje automático. Regístrese para el taller.

Obtenga más información sobre los NREL transporte y almacen de energia investigación.

Cortesía de NREL.

Si te ha resultado interesante, puedes compartir esta información con la persona que lo va a valorar.

¡Compártelo!

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *