في إطار إعادة تشكيل حدود أداء بطاريات الليثيوم، اقترح فريق كانج جيان تشيانج من جامعة ووهان للتكنولوجيا نموذجًا كهروكيميائيًا مبسطًا يعتمد على التعلم التجميعي

في يوليو 2022، تعرض الإله الذكر الخالد جيمي لين لحادث سيارة. كسائق سباق محترف، انحرفت سيارة Tesla Model X التي كان يقودها فجأة عن المسار المحدد أثناء القيادة واصطدمت بحزام العزل على جانب الطريق. ثم اشتعلت النيران في السيارة ثم اشتعلت مرة أخرى أثناء عملية سحب سيارة الإنقاذ. في النهاية، احترقت السيارة بأكملها باستثناء الهيكل فقط. وبمجرد الإبلاغ عن هذا الحادث، أثار مرة أخرى اهتمام الناس الكبير بـ "تصادم المركبات التي تعمل بالطاقة الجديدة واشتعالها".

ومن المفهوم أنتتكون بطاريات سيارات تسلا في الغالب من بطاريات ليثيوم أيون.إنها تتمتع بمزايا كثافة الطاقة العالية وكثافة الطاقة العالية وفترة الدورة الطويلة وتأثير الذاكرة الصغير، وقد تم استخدامها على نطاق واسع في مجال المركبات الكهربائية في السنوات الأخيرة. ومع ذلك، فإن القوة التفجيرية لبطاريات الليثيوم تشبه قوة القنبلة الصغيرة. إن الهروب الحراري غير المنضبط للبطارية قد يؤدي إلى الانفجار والحريق. وبالإضافة إلى ذلك، نظرًا لأن أيونات الليثيوم ستنتج غازات داعمة للاحتراق مثل الأكسجين بعد اشتعالها، فإن هذا سيؤدي إلى احتراق ثانوي لاحق واحتراق متكرر. عندما يحدث حريق، من الصعب إخماده. لذلك،إن ضمان التشغيل الآمن لبطاريات الليثيوم هي مشكلة صعبة يجب حلها في مجال المركبات الكهربائية.

يعتمد نموذج البطارية الكهروكيميائية على الآلية الكيميائية الموجودة داخل البطارية. يمكنه نمذجة عملية هجرة أيونات الليثيوم بشكل فعال وتحديد الحالة الحرجة للبطارية من خلال التنبؤ بالبيانات مثل الجهد. ويضمن هذا أن يقوم النظام المضمن بمراقبة الحالة الداخلية للبطارية في الوقت الفعلي، ويتجنب الاندفاع الحراري المفاجئ الناجم عن الشحن الزائد والتفريغ، والشيخوخة، وزيادة المقاومة الداخلية، وما إلى ذلك، ويحافظ على التشغيل الآمن للبطارية. ومع ذلك، فإن النماذج الكهروكيميائية التقليدية تحتوي على العديد من المعلمات والحسابات المعقدة، مما يحد من تطبيقها على نطاق واسع في أنظمة إدارة البطاريات الفعلية.

في هذا الصدد،اقترح فريق كانج جيانكيانج من جامعة ووهان للتكنولوجيا نموذجًا كهروكيميائيًا مبسطًا للتعلم المتكامل + FIE.يعتمد نموذج التعلم الجماعي على التعلم الآلي ويدمج خوارزمية تحقيق الوقت المنفصل (DRA)، وتقريب Pade´ من الدرجة الكسرية (FOM)، وتقريب المكافئ ثلاثي المعلمات (TPM). من خلال تبسيط عملية هجرة أيونات الليثيوم في جزيئات القطب الكهربائي، يمكن التنبؤ بدقة بتغير تركيز أيونات الليثيوم على سطح جزيئات القطب الكهربائي.

في ظل الظروف الحالية والديناميكية المستمرة،يمكن لنموذج ELM الذي اقترحه الباحثون تحقيق تنبؤ أكثر دقة بالجهد من نماذج DRA وFOM وTPM الفردية، كما أن تعقيده الحسابي أقل بكثير من تعقيد النموذج شبه ثنائي الأبعاد (Pseudo-2D، P2D).

بالإضافة إلى ذلك، استخدم الباحثون أيضًا عنصر القصور الذاتي من الدرجة الأولى (FIE) لتبسيط هجرة أيونات الليثيوم في محلول القطب الكهربي والتنبؤ بدقة بتركيز أيونات الليثيوم في الإلكتروليت بالقرب من جامعي التيار الموجب والسالب.

أبرز الأبحاث:

• تم اقتراح نموذج كهروكيميائي مبسط للتعلم الجماعي + FIE. يدمج التعلم الجماعي DRA وFOM وTPM، ويمكن إكمال 3500 ثانية من تفريغ التيار الثابت 1C في 0.1676 ثانية.
• توفير الدعم الفني القوي لتحقيق نظام إدارة البطاريات الذكي المستقبلي (BMS)

عنوان الورقة:
https://www.cell.com/iscience/pdf/S2589-0042(24)00907-6.pdf

ثلاثة افتراضات تجريبية لتبسيط البنية المعقدة للبطاريات

ومن أجل تسريع حساب النماذج الكهروكيميائية وتبسيط بنية النماذج الكهروكيميائية التقليدية، اقترح الباحثون نموذجًا كهروكيميائيًا مبسطًا لبطارية أيون الليثيوم (نموذج الجسيم الفردي) ووضعوا افتراضات أساسية حوله.

الافتراض 1:يعتبر قطب البطارية عبارة عن جسيم كروي واحد، والجهد الكهربائي عند نفس نصف القطر من مركز الكرة متساوي؛
الافتراض 2:يتم اعتبار انتشار الطور الصلب في الاتجاه الشعاعي فقط؛
الافتراض 3:يكون تدفق جدار مسام أيون الليثيوم (Ji) موحدًا في جزيئات القطب الكهربي.

Vcell هو جهد الطرف الخلوي؛ Uocv هو جهد الدائرة المفتوحة؛ η هي القدرة الزائدة؛ روم هي المقاومة الأومية الكلية؛ أنا هو الحالي؛ ⍬ave هو متوسط قياس الطور الصلب

في نموذج الجسيم المفرد، يعتبر جهد طرف البطارية مرتبطًا فقط بجهد الدائرة المفتوحة وإمكانية التفاعل الزائدة، مما يقلل بشكل كبير من التعقيد الحسابي للنموذج.

التعلم المتكامل + FIE للتنبؤ بتركيز أيونات الليثيوم في الأقطاب الكهربائية الصلبة والإلكتروليتات

واقترح الباحثون نموذج التعلم المتكامل + FIE.ومن بينها، يمكن استخدام التعلم المتكامل للتنبؤ بتركيز أيونات الليثيوم في الجسيمات الصلبة للأقطاب الموجبة والسالبة، ويمكن استخدام FIE للتنبؤ بتركيز أيونات الليثيوم في الطور المنحل بالكهرباء.

التعلم الجماعي: دمج ثلاثة نماذج للتنبؤ بشكل أكثر دقة بتركيز أيونات الليثيوم في أقطاب الطور الصلب

يمكن لنموذج التعلم الجماعي (ELM)، باعتباره تقنية نموذجية للتعلم الآلي، تحقيق أداء تنبؤ أفضل من أي نموذج فردي من خلال الجمع بين نماذج متعددة.في الأدبيات السابقة، أظهرت خوارزمية تحقيق الوقت المنفصل (DRA)، وتقريب Pade´ الكسري (FOM)، والتقريب المكافئ ثلاثي المعلمات (TPM) دقة معينة في التنبؤ بتركيز أيونات الليثيوم على سطح جزيئات القطب.

من أجل تحسين دقة التنبؤ بتركيز أيونات الليثيوم في جزيئات الأقطاب الكهربائية بشكل أكبر، قام الباحثون بدمج DRA وFOM وTPM باستخدام طريقة المتوسط المرجح واقترحوا نموذج ELM، الذي تكون معادلة خرجه كما يلي:

*معادلة إخراج ELM؛ k1 وk2 هما معاملات الوزن لنموذج التعلم الجماعي

التجربة 1: التنبؤ بتركيز أيونات الليثيوم على سطح جسيمات القطب السالب في الطور الصلب

من خلال اتخاذ نموذج P2D كمجموعة تحكم أساسية، تمت مقارنة النماذج الخمسة المختلفة، DRA، وFOM، وTPM، وELM، وP2D، للتنبؤ بالتغيرات في تركيز أيونات الليثيوم على سطح جزيئات القطب السالب.

يمكن ملاحظة أن منحنى ELM أقرب إلى منحنى نموذج P2D.وهذا يعني أن ELM حقق أفضل دقة في التنبؤ.

يتم تعريف دالة الخسارة على أنها خطأ الجذر التربيعي المتوسط (RMSE) بين مخرجات نموذج ELM والقيمة الحقيقية لسطح الجسيم △cs,n~surf. ويمكن ملاحظة ذلكلدى ELM أدنى قيمة لـ RMSE، والتي تبلغ 11.51 مول/ م3 فقط.

التجربة 2: التنبؤ بتركيز أيونات الليثيوم على سطح جسيمات القطب الصلب الموجب

من خلال اتخاذ نموذج P2D كمجموعة تحكم أساسية، تمت مقارنة النماذج الخمسة المختلفة، DRA، وFOM، وTPM، وELM، وP2D، للتنبؤ بالتغيرات في تركيز أيونات الليثيوم على سطح جزيئات القطب الموجب.

ويمكن ملاحظة ذلكمنحنى ELM أقرب إلى منحنى نموذج P2D.إنه يظهر أفضل أداء للتنبؤ △cs,p~surf.

كما يمكن أن نرى من الجدول أعلاه،لدى ELM أصغر خطأ في التنبؤ، RMSE هو فقط 0.6 mol/m3، وMAPE هو فقط 1.66%.

FIE: التنبؤ بشكل أكثر دقة بتركيز أيونات الليثيوم في الطور المنحل بالكهرباء

يؤثر تركيز أيونات الليثيوم في الإلكتروليت بالقرب من مجمعي التيار الموجب والسالب بشكل مباشر على جهد البطارية، مما يؤثر بدوره على حالة البطارية. لذلك،واقترح الباحثون FIE لتناسب التغيرات في تركيز أيونات الليثيوم في الإلكتروليت بالقرب من جامعي التيار الكهربائي الموجب والسالب.تم استخدام نموذج P2D كمجموعة تحكم أساسية لمقارنته بالتغيرات في تركيزات أيونات الليثيوم في مراحل إلكتروليت القطب الموجب والسالب التي تنبأ بها FIE.

التجربة 1: التنبؤ بالتغير في تركيز أيونات الليثيوم في الإلكتروليت بالقرب من مجمع تيار القطب السالب

يوضح الشكل أعلاه أن المنحنيين قريبان. في نموذج P2D، بسبب التدفق غير المتساوي لأيونات الليثيوم على سطح جزيئات القطب على طول اتجاه سمك القطب، يتقلب منحنى △ce,n بعد وقت الاسترخاء. وكان الباحثون قد افترضوا في السابق أن تدفق أيونات الليثيوم عبر سطح جزيئات القطب كان ثابتًا تحت تيار مستمر. لذلك، △ce,n يبقى ثابتًا بعد وقت الاسترخاء.

*وقت الاسترخاء هو مقياس لقدرة البطارية على التعافي، ويميز قدرة البطارية على التعافي من حالة الاستقطاب إلى حالة التوازن.

التجربة 2: التنبؤ بالتغير في تركيز أيونات الليثيوم في الإلكتروليت بالقرب من جامع تيار القطب الموجب

كما هو موضح في الشكل أعلاه، في نموذج P2D، نظرًا لأن تدفق أيونات الليثيوم على سطح جسيمات القطب الموجب موزع بشكل غير متساوٍ أكثر من تدفق أيونات الليثيوم على سطح جسيمات القطب السالب، فإن سعة التذبذب △ce,p أكبر من سعة △ce,n. بالمقارنة مع نموذج P2D، يحقق FIE تنبؤًا دقيقًا لـ △ce,p مع RMSE يبلغ 39.136 mol/m3.

في ملخص،يمكن للتعلم المتكامل الذي اقترحه الباحثون التنبؤ بدقة بتركيز أيونات الليثيوم في الأقطاب الكهربائية الصلبة، مع قدرة تنبؤ أفضل من نموذج واحد. يمكن لنموذج FIE أيضًا التنبؤ بدقة بتركيز أيون الليثيوم في الطور المنحل بالكهرباء.

التعلم الجماعي يتنبأ بالجهد بشكل أكثر دقة

التجربة 1: مقارنة تنبؤات الجهد من نماذج مختلفة

أجرى الباحثون عمليات محاكاة تفريغ التيار المستمر على بطاريات LiMn2O4/Carbon بمعدلات 0.5C و1C و2C، وقارنوا نتائج وأخطاء التنبؤ بالجهد باستخدام خمسة نماذج: ELM وDRA وFOM وTPM وP2D.

وفقًا للشكل أعلاه، تحت معدل التفريغ 0.5C، تكون منحنيات الجهد لنماذج DRA وFOM وTPM وP2D قريبة جدًا من نموذج P2D. تحت معدلات التفريغ 1C و 2C،منحنى جهد ELM أقرب إلى منحنى جهد P2D.

كما هو موضح في الجدول أعلاه، يتمتع نموذج ELM بأصغر RMSE وMAPE وأقل خطأ في الجهد. مع زيادة معدل التفريغ، تزداد أخطاء الجهد لهذه الأنواع الأربعة. في ملخص،يحقق ELM المقترح تنبؤًا أفضل بالجهد على نطاق تيار أوسع.

التجربة 2: مقارنة التعقيد الحسابي للنماذج المختلفة

أجرى الباحثون عمليات محاكاة التفريغ باستخدام تيار ثابت بمعدل 1C وقارنوا أوقات الحساب للنماذج المختلفة. نظرًا لأن كلًا من DRA وFOM لديهما معادلتان فقط لمساحة الحالة من الدرجة الثانية، فإن سرعة الحساب تكون أسرع. إن FOM أبطأ قليلاً، حيث يحتاج ELM فقط إلى 0.1676 ثانية لإكمال 3500 ثانية من تفريغ التيار الثابت 1C، وسرعة حساب نموذج P2D أبطأ بكثير من النماذج الأخرى.
يعد اختبار التفريغ وسيلة مهمة لتقييم أداء البطارية.

التجربة 3: التحقق من فعالية نموذج ELM في ظل الظروف الديناميكية

للتحقق من فعالية نموذج ELM في ظل الظروف الديناميكية، أجرى الباحثون عمليات محاكاة ديناميكية FUDS على نماذج مختلفة. تظهر النتائج أن منحنيات الجهد لـ DRA وFOM وTPM وELM قريبة من نموذج P2D لأن معدل التغير الحالي صغير في معظم الأوقات في ديناميكيات FUDS.

كما هو موضح في الجدول أعلاه،يحقق ELM التنبؤ الأكثر دقة بالجهد بين هذه النماذج.يوجد فقط RMSE بقيمة 4.48 mV و MAPE بقيمة 0.097%.

الذكاء الاصطناعي يضمن سلامة بطاريات الليثيوم في ظل التحول الأخضر

في ظل الاتجاه العام المتمثل في "الحياد الكربوني وذروة الكربون"، بدأت البلدان في الاهتمام بتحويل نظام الطاقة، وتحولت جميع مناحي الحياة بنشاط نحو التنمية المنخفضة الكربون والمستدامة. تعد بطاريات الليثيوم الخيار الأول للبطاريات الصديقة للبيئة، وتستخدم على نطاق واسع في أنظمة تخزين الطاقة، والدراجات الكهربائية، والمركبات الكهربائية، والمعدات العسكرية، والفضاء الجوي وغيرها من المجالات.

على الرغم من أن بطاريات الليثيوم تحظى باختيار واسع النطاق بسبب مزاياها مثل كثافة الطاقة العالية والعمر الطويل، إلا أنها قد تشكل تهديدًا خطيرًا لحياة وسلامة الجمهور إذا تم استخدامها بشكل غير صحيح أو كانت بها مشاكل في الجودة. على سبيل المثال، في يونيو/حزيران 2023، اندلع حريق في متجر للسيارات الكهربائية في الحي الصيني في مانهاتن بمدينة نيويورك، مما أسفر عن مقتل أربعة أشخاص وإصابة ثلاثة آخرين. وكان السبب هو انفجار حراري أثناء شحن بطاريات الليثيوم.من الضروري الاهتمام بسلامة بطاريات الليثيوم.

بالإضافة إلى ذلك، يتأثر تدهور أداء بطاريات الليثيوم بالعديد من العوامل مثل درجة الحرارة المحيطة وظروف الشحن والتفريغ. تعتمد النماذج الفيزيائية التقليدية على قوانين كهروكيميائية محدودة، ومن الصعب تقييم الحالة الداخلية للبطارية بشكل فعال. وفي هذا السياق، تتميز تقنية الذكاء الاصطناعي بقدراتها القوية على معالجة البيانات واستخراج الميزات.وقد أجرى بعض الأشخاص في الصين بالفعل أبحاثًا ذات صلة بسلامة بطارية الليثيوم AI+.

في عام 2023، طورت جامعة نانجينغ وشركة Durapower المصنعة لبطاريات الليثيوم نظام إدارة الحرائق والانفجارات (FXMS) الذي يساعد في تعزيز سلامة بطاريات الليثيوم وإطالة عمرها التشغيلي. ويستخدم النظام تقنية التوأم الرقمي لمحاكاة البطاريات الحقيقية ومراقبة أداء البطارية باستخدام نماذج افتراضية يمكنها التنبؤ بحالة البطارية في السنوات الخمس المقبلة.يساعد الموظفين على تحديد موعد استبدال البطاريات، مع دقة تنبؤ تصل إلى 95%.

الوظيفة الأساسية للتوائم الرقمية هي جمع البيانات في الوقت الفعلي من العالم الحقيقي، واستخدام تقنية التعلم الآلي والتحليل لمعالجة البيانات، ومحاكاة وتوقع ردود الفعل والمواقف التي قد تنتجها الأشياء في العالم الحقيقي، ثم دراسة أدائها.

في مارس 2024، اقترح فريق الأستاذ المشارك وان جيايو من كلية بويوان للتكنولوجيا المستقبلية بجامعة شنغهاي جياو تونغ تقنية التعلم شبه الخاضعة للإشراف والتي تسمى التدريب المشترك البايزي الجزئي (PBCT)، والتي تستفيد بشكل كامل من البيانات غير المصنفة منخفضة التكلفة والوفيرة التي تم إنشاؤها أثناء دورة حياة بطاريات الليثيوم. من خلال استخراج المعلومات المخفية من البيانات، فإنه يعمل على تعميق فهم أنماط البيانات الأساسية. بالمقارنة مع الأساليب الحالية،وقد حققت تقنية PBCT تحسنًا يصل إلى 20% في دقة التنبؤ بمتوسط العمر المتوقع.ولا توجد أي تكاليف إضافية لجمع البيانات تقريبًا. (انقر هنا للتفاصيل: حسّنت 20% دقة التنبؤ بعمر بطارية الليثيوم! أصدر فريق جامعة شنغهاي جياوتونغ طريقة تعلم شبه مُشرفة تُسمى PBCT لاستخراج المعلومات المخفية من البيانات غير المُصنّفة)

من التوائم الرقمية إلى التعلم شبه الخاضع للإشراف، أدت التطورات التكنولوجية إلى ظهور حلول أكثر ابتكارًا وجلبت إمكانيات جديدة للتنمية المستقبلية لقطاع الطاقة.

مراجع:
https://www.zaobao.com/news/singapore/story20231108-1448759
https://m.163.com/dy/article/J3