تم تحسين دقة التنبؤ بعمر بطارية الليثيوم بواسطة 20%! أصدر فريق جامعة شنغهاي جياو تونغ طريقة التعلم شبه الخاضعة للإشراف PBCT لاستخراج المعلومات المخفية من البيانات غير المصنفة

تتمتع بطاريات الليثيوم بمزايا كثافة الطاقة العالية وسرعة الشحن والتفريغ السريعة وعمر الخدمة الطويل. تُستخدم حاليًا على نطاق واسع في أنظمة تخزين الطاقة مثل محطات الطاقة الكهرومائية والحرارية وطاقة الرياح والطاقة الشمسية، بالإضافة إلى الأدوات الكهربائية والمركبات الكهربائية والمعدات العسكرية والفضاء الجوي وغيرها من المجالات، وتلعب دورًا حيويًا في المجتمع الحديث.

ومع ذلك، مع الاستخدام واسع النطاق لبطاريات الليثيوم، أصبحت مخاطرها المحتملة واضحة تدريجيًا - فهي تتمتع بمقاومة ضعيفة للشحن الزائد والتفريغ، ويمكن أن تسبب بسهولة حرائق أو حتى انفجارات عند الشحن الزائد أو حدوث قصر في الدائرة. في السنوات الأخيرة، تعرضت الدراجات الكهربائية والمركبات التي تعمل بالطاقة الجديدة للحرائق بشكل متكرر بسبب الشحن غير السليم أو شيخوخة البطارية.

من أجل ضمان التشغيل الآمن والمستدام لنظام البطارية، يحتاج الأشخاص إلى التنبؤ بدقة بعمر بطاريات الليثيوم من أجل إدارة حالتهم الصحية بشكل فعال.إن طرق التنبؤ التقليدية المبنية على النماذج الفيزيائية وشبه التجريبية معرضة للأخطاء ولها دقة محدودة للغاية.مع تطور تكنولوجيا الذكاء الاصطناعي، تحسنت دقة طرق التنبؤ المعتمدة على البيانات. ومع ذلك، فإن دقة نماذجهم غالباً ما تكون مقيدة بندرة البيانات المصنفة.

ردًا على التحديات المذكورة أعلاه، نشر الفريق بقيادة الأستاذ المشارك وان جيايو من كلية بويوان للتكنولوجيا المستقبلية بجامعة شنغهاي جياو تونغ ورقة بحثية بعنوان "التعلم شبه الخاضع للإشراف للتنبؤ بعمر البطارية القابل للتفسير لبضع لقطات" في مجلة Joule المشهورة دوليًا.تم اقتراح تقنية التعلم شبه الخاضعة للإشراف والتي تسمى التدريب المشترك البايزي الجزئي (PBCT).من خلال الاستفادة الكاملة من البيانات غير المصنفة منخفضة التكلفة والمتوفرة بكثرة والتي يتم إنشاؤها طوال دورة حياة بطاريات الليثيوم، واستخراج المعلومات المخفية، يمكننا تعميق فهمنا لأنماط البيانات الأساسية وتحسين دقة التنبؤ بعمر البطارية بشكل كبير.

وبالمقارنة بالطرق الحالية، فإن تقنية PBCT لا تعمل على تحسين دقة التنبؤ بالحياة بشكل كبير فحسب، بل إنها لا تتطلب أيضًا أي تكاليف إضافية لجمع البيانات.

أبرز الأبحاث:

* التنبؤ بعمر البطارية باستخدام بيانات محدودة عبر التعلم شبه الخاضع للإشراف

* طريقة التعلم شبه الخاضعة للإشراف من خلال التدريب المشترك البايزي (PBCT) تعمل بشكل جيد من حيث الدقة والقدرة على التفسير

* تقليل التكاليف الاقتصادية بشكل كبير من خلال تقليل الحاجة إلى البيانات المصنفة

عنوان الورقة:
https://doi.org/10.1016/j.joule.2024.02.020 

قم بمتابعة الحساب الرسمي والرد "عمر بطارية الليثيوم" للحصول على ملف PDF كامل

مجموعة البيانات: 124 بطارية، 3 مجموعات بيانات فرعية

مجموعة البيانات المستخدمة في هذه الدراسة هي مجموعة بيانات مفتوحة المصدر قدمها Severson et al.، والتي تحتوي على 124 بطارية أسطوانية LiFePO4/graphite A123 APR18650M1A بسعة اسمية تبلغ 1.1 أمبير/ساعة ومتوسط عمر 806 دورة (تتراوح من 150 إلى 2300 دورة).

وفقًا لبروتوكولات تقويم الشيخوخة والشحن السريع المختلفة، تم تقسيم مجموعة البيانات المستخدمة في هذه الدراسة إلى ثلاث مجموعات بيانات فرعية، مع 41 بطارية (مجموعة البيانات 1)، و43 بطارية (مجموعة البيانات 2)، و40 بطارية (مجموعة البيانات 3).تحتوي كل مجموعة بيانات على 20 ميزة إدخال مستخرجة بناءً على معرفة المجال.

هندسة النموذج: بناء نموذج عرض كامل عالي الأداء

يظهر هيكل طريقة PBCT في الشكل أدناه، حيث تم إنشاء نموذجين.وهذا يعني نموذج العرض الجزئي ونموذج العرض الكامل.

نظرًا لأن نموذج العرض الكامل يأخذ جميع الميزات في الاعتبار، فهو عرضة للملاءمة الزائدة وقد يؤدي إلى دقة تنبؤ ضعيفة.وبناء على ذلك، أنشأ الباحثون نموذج عرض جزئي لتقدير العلامات الزائفة للبيانات غير المصنفة استنادًا إلى مجموعة فرعية من ميزات الإدخال المهمة.

وبعد ذلك، وفقًا لمبدأ التحسين الأقصى الخلفي، يتم تدريبه مرة أخرى بشكل مشترك مع نموذج العرض الكامل، بحيث يعمل نموذج العرض الجزئي كدليل للمساعدة في استنباط نموذج العرض الكامل عالي الأداء الذي يتم استخدامه في النهاية.

يتيح هذا لنموذج العرض الكامل الحصول على رؤى مفيدة من البيانات المصنفة وغير المصنفة، مما يؤدي إلى تنبؤات أكثر موثوقية.

نتائج البحث: PBCT يفتح طريقًا جديدًا للتنبؤ بعمر البطارية

وفي تجارب تقييم الأداء، استخدم الباحثون مجموعة البيانات 1، ومجموعة البيانات 2، ومجموعة البيانات 3 للتجارب على التوالي. تم تقسيم كل مجموعة من التجارب إلى سيناريوهات غير متصلة بالإنترنت وأخرى متصلة، وتم استخدام خطأ الجذر التربيعي المتوسط (RMSE) لبيانات الاختبار لتقييم دقة النموذج المدرب. ونظرًا لندرة بيانات التدريب المصنفة في البيئة التجريبية، فقد اعتمد الباحثون أساليب الانحدار الكلاسيكية للتعامل مع المواقف ذات اللقطات القليلة، مثل Lasso وElastic Net كخطوط أساسية.

وتظهر النتائج التجريبية المقابلة للسيناريو غير المتصل بالإنترنت في الأشكال من أ إلى ج أدناه.تتفوق طريقة PBCT المقترحة على الطرق الأساسية نظرًا لكميات مختلفة من بيانات التدريب المسمى.عندما يكون عدد بيانات التدريب المسمى 10، يتفوق PBCT على Lasso بمقدار 9.8%، و21.9%، و18.3% على مجموعات البيانات من 1 إلى 3، على التوالي.

وتظهر النتائج التجريبية في السيناريو عبر الإنترنت في الأشكال من د إلى و أدناه. تتفوق طريقة PBCT على طريقة خط الأساس في جميع حالات مجموعات البيانات 2 و3، وتتفوق أيضًا على طريقة خط الأساس في معظم الحالات عندما يكون عدد عينات التدريب المسمى في مجموعة البيانات 1 نادرًا.

في تجربة التحليل الاقتصادي، من أجل إثبات مزايا طريقة PBCT المقترحة في التنبؤ بعمر البطارية بشكل كمي،وبناءً على نتائج تجارب السيناريوهات غير المتصلة بالإنترنت، قام الباحثون بتحليل الوقت وتكلفة أخذ العينات من البيانات المطلوبة لكل طريقة.

قام الباحثون بتقدير متوسط تكلفة الدورة لـ 200 تجربة متكررة ووجدوا أن طريقة PBCT تتطلب بيانات تدريب أقل تصنيفًا وتكلفة دورة أقل لتحقيق نفس الدقة، كما هو موضح في الأشكال من A إلى C أدناه:

كما هو موضح في الشكل D، لتحقيق دقة الهدف RMSE% 0.10، تتطلب تقنية PBCT تكلفة دورة أقل مقارنة بطريقة Lasso. في مجموعة البيانات 2، لتحقيق دقة الهدف RMSE% 0.10، يتطلب PBCT 7700.5 دورة (RMSE هو 0.099 عندما تكون الدورات 7700.5)، بينما يتطلب Lasso أكثر من 10537 دورة (RMSE هو 0.105 عندما تكون الدورات 10537).

* تشير الدورات إلى عدد المرات التي تنتقل فيها البطارية من الشحن الكامل إلى التفريغ الكامل ثم شحنها بالكامل مرة أخرى، وتستخدم لقياس عمر البطارية.
* RMSE تعني خطأ الجذر التربيعي المتوسط، والمعروف أيضًا باسم انحراف الجذر التربيعي المتوسط، وهو مقياس شائع الاستخدام للفرق بين القيم المقاسة، حيث تكون القيم المنخفضة أفضل.

وبالتالي، فإن تطبيق خوارزمية PBCT وحدها يمكن أن يوفر ما يصل إلى 28,36.5 دورة، أو 4,685.1 دولار، مقارنة بطريقة Lasso، وهو ما يعادل 26.9% من التكلفة الاقتصادية الإجمالية لاستخدام طريقة Lasso.

باختصار، وبالمقارنة مع الطرق الحالية، حققت تقنية PBCT تحسنًا يصل إلى 20% في دقة التنبؤ بالحياة مع عدم وجود تكلفة إضافية تقريبًا للحصول على البيانات. وبالتالي، وبناءً على فرضية دقة التنبؤ نفسها، يمكن لـ PBCT أن تقلل بشكل كبير من تكلفة جمع البيانات.

بالإضافة إلى ذلك، وجدت الدراسة أن دمج البيانات غير المصنفة في عملية التدريب يساعد في الكشف عن العوامل الرئيسية التي تؤثر على عمر البطارية والتي غالبًا ما يتم تجاهلها عند تحليل البيانات المصنفة فقط. لذلك، فإن PBCT، وهي تقنية التعلم شبه الخاضعة للإشراف، تفتح طريقًا جديدًا لتقدير حالة البطارية القائم على البيانات بكفاءة وقابلية التفسير.

يواصل مختبر الطاقة العميقة بجامعة شنغهاي جياو تونغ التغلب على الصعوبات

وبحسب التقارير الرسمية، فإن نتائج البحث جاءت بشكل رئيسي من فريق البحث في كلية بويوان للتكنولوجيا المستقبلية ومختبر الطاقة العميقة بجامعة شنغهاي جياو تونغ.

يركز الاتجاه البحثي لهذه المجموعة البحثية بشكل أساسي على أجهزة ومواد تخزين الطاقة، والتصنيع المتقدم، وتكاملها المتبادل مع الذكاء الاصطناعي.حتى الآن، تم نشر أكثر من 80 ورقة بحثية في مجلات أكاديمية مرموقة دوليًا في مجال الطاقة والمواد، مثل Science وNature وCell، بإجمالي أكثر من 11000 استشهاد ومؤشر H يبلغ 48. وقد تم الإبلاغ عن نتائج البحث من قبل العديد من وسائل الإعلام المعروفة في الداخل والخارج.

كما فاز الأستاذ المشارك وان جيايو من مجموعة البحث بجائزة "دوروثي إم وإيرل إس هوفمان" الوطنية لطلبة الدكتوراه من الجمعية الأمريكية للفراغ (جائزة واحدة سنويًا في جميع أنحاء العالم)، و"المنحة الوطنية للطلاب الدوليين المتميزين الممولين ذاتيًا" التي يمنحها مجلس المنح الدراسية الصيني، والقائمة السنوية لجامعة ستانفورد لأفضل 21 عالمًا في TP3T في العالم (2020-2022). وهو يعمل كعضو هيئة تحرير شابة في مجلات National Science Open، وMaterials Today Energy، وeScience، وCarbon Energy، وChina Chemical Express، وRare Metals، ومجلات أخرى.

وبالإضافة إلى نتائج الأبحاث المذكورة أعلاه، واصل فريق البحث التعمق والتغلب على الصعوبات في مجال بطاريات الليثيوم.

في مايو 2023، نشر الفريق ورقة بحثية بعنوان "تصميم الطور البيني للإلكتروليت الصلب الاصطناعي المستقر المستوحى من طبقة أحادية التجميع الذاتي للجيل القادم من بطاريات الليثيوم المعدنية" في مجلة Nano Letters المشهورة عالميًا.

يعد معدن الليثيوم قطبًا سلبيًا مثاليًا لبطاريات الليثيوم أيون عالية الطاقة، ولكن تفاعليته العالية وواجهته الهشة تحد من تطبيقه - خاصة في أنظمة إلكتروليت الكربونات التجارية، حيث يكون أداء معدن الليثيوم ضعيفًا، مما يعيق بشكل خطير تطبيقه على نطاق واسع في البطاريات الثانوية.اقترحت هذه الدراسة استراتيجية بسيطة وفعالة لغمر معدن الليثيوم في مذيب 3-ميركابتوبروبيل ميثيل ديميثوكسي سيلان (3MPDMS) لتشكيل طبقة SEI موحدة وغنية بالمواد غير العضوية، والتي بدورها مكنت من الترسيب/التجريد الموحد لمعدن الليثيوم لأكثر من 500 دورة عند جهد زائد منخفض في إلكتروليت الكربونات.

في يونيو 2023، أصدر الفريق أحدث نتائج أعماله بشأن إعادة التدوير فائقة السرعة لمواد الأقطاب الكهربائية الموجبة في مجال إعادة تدوير بطاريات الليثيوم أيون.تستطيع طريقة الإصلاح فائقة السرعة التي طوروها إصلاح مادة القطب الموجب (LCO) للبطاريات المستعملة بكفاءة ومباشرة في غضون 8 ثوانٍ. إن الأداء الكهروكيميائي لمادة القطب الموجب الذي تم إصلاحه يضاهي أداء مادة القطب الموجب التي تم إعدادها حديثًا.يوفر هذا البحث في مجال إصلاح مواد الأقطاب الموجبة لبطاريات الليثيوم أيون طريقة فعالة وموفرة للطاقة من أجل التنمية المتجددة وإعادة تدوير الموارد لبطاريات الليثيوم أيون.

تحت قيادة الفريق الرائد، ستواصل التقنيات المتقدمة المتمثلة في الذكاء الاصطناعي التعمق في مجالات الطاقة والمواد في المستقبل، مما يعزز التنمية المستدامة للصناعة.

مراجع:
1.https://www.cell.com/joule/abstract/S2542-4351(24)00103-X
2.https://news.sjtu.edu.cn/jdzh/20240326/195130.html
3.https://www.x-mol.com/groups/deepenergy/news/44033
4.https://newsletter.x-mol.com/groups/deepenergy/news/46631