電池知識
鋰離子、磷酸鐵鋰、錳酸鋰、新能源
電池知識
鋰離子、磷酸鐵鋰、錳酸鋰、新能源
研究人員正在使用人工智能技術，旨在延長電池的使用壽命并監測電池的健康，為下一代電動車和消費電子產品供應動力。
劍橋大學和紐卡斯爾大學的研究人員已經設計了一種機器學習辦法，可以預測電池的運行狀況，其準確性是當前行業標準的十倍。承諾開發更安全、更可靠的電池。
為了監測電池，研究人員將電脈沖發送到電池中并監測應和。然后，通過機器學習算法解決測量結果，以便預測電池的運行狀況和使用壽命。該辦法是非侵入性的，可以添加到任何電池系統中。
無法預測鋰電池的剩余有用電量是電動車采用的一個限制，也令手機用戶煩惱。當前用于預測電池運行狀況的辦法基于跟蹤電池充電和放電期間的電流和電壓。新辦法可以捕獲更多有關電池內部發生的情況，并可以更好地測試纖細的變化。
“安全和可靠性是最緊要的設計標準，因為我們開發電池，可以包裝大量的能量在一個小空間，”阿爾法李博士說，劍橋的卡文迪什試驗室，誰共同領導了這項研究。“通過改進監控充電和放電的軟件，并使用數據驅動軟件控制充電過程，我相信我們可以為電池性能供應巨大的改進。
劍橋大學卡文迪什試驗室阿爾法·李博士
研究人員進行了20，000多次試驗測量，以訓練模型要怎么樣發現電池老化的跡象。該模型學習要怎么樣區分緊要信號和不相關的噪聲。該模型知道什么電信號與老化最相關，然后準許研究人員設計特定的試驗，以更深入地探究電池降解的原由。
”機器學習補充和增進了物理理解，“同樣來自卡文迪什試驗室的合著者張云偉博士說。我們的機器學習模型識別的可解釋信號是將來理論和試驗研究的起點。
能源部研究人員使用人工智能計算機視覺技術
能源部SLAC國家加速器試驗室的研究人員正在利用人工智能計算機視覺技術來研究電池壽命。依據《科技日報》的一個報道，科學家們正在將機器學習算法與X射線斷層掃描數據相結合，以在一個電池包件——陰極——中出現具體的降解圖。引用的研究發表在《自然通訊》上。
關于由鎳錳鈷（NMC）粒子制成的陰極，由導電碳基質結合在一起。研究人員猜測，電池性能下降的一個原由可能是粒子從該矩陣中分離。該團隊在SLAC的斯坦福同步輻射光源（SSRL）獲得高級能力，該系是斯坦福大學能源系的一個部門，歐洲同步輻射設施（ESRF）是歐洲為推進X射線而開展的協作機構，總部設在法國格勒諾布爾。目標是構建NMC粒子要怎么樣分離和遠離矩陣的圖片，以及這與電池性能損失的關系。
該團隊轉向具有人工智能能力的計算機視覺，以幫助開展研究。他們要一個機器學習模型來訓練數據要怎么樣識別不同類型的粒子，這樣他們就可以開發一個三維圖像，知道NMC粒子（大或小）要怎么樣從陰極中分離出來。
作者鼓勵對電池健康進行更多研究。”我們的發現突出了精確量化電池電極微結構的演變性質的緊要性，具有統計信心，這是最大限度地提高有源粒子對更高電池容量效用的關鍵，“作者說。
聲明： 本站所發布文章部分圖片和內容自于互聯網，如有侵權請聯系刪除
