Précision De Prédiction De La Durée De Vie De La Batterie Au Lithium Améliorée Par 20% ! L'équipe De L'université Jiao Tong De Shanghai a Publié Une Méthode D'apprentissage Semi-supervisé PBCT Pour Extraire Des Informations Cachées À Partir De Données Non Étiquetées

Les batteries au lithium présentent les avantages d'une densité énergétique élevée, d'une vitesse de charge et de décharge rapide et d'une longue durée de vie. Ils sont actuellement largement utilisés dans les systèmes de stockage d'énergie tels que les centrales hydroélectriques, thermiques, éoliennes et solaires, ainsi que dans les outils électriques, les véhicules électriques, les équipements militaires, l'aérospatiale et d'autres domaines, jouant un rôle essentiel dans la société moderne.

Cependant, avec l'utilisation à grande échelle des batteries au lithium, leurs dangers potentiels sont progressivement devenus évidents : elles ont une faible résistance à la surcharge et à la décharge et peuvent facilement provoquer des incendies, voire des explosions, en cas de surcharge ou de court-circuit. Ces dernières années, les vélos électriques et les véhicules à énergie nouvelle ont fréquemment pris feu en raison d’une charge incorrecte ou du vieillissement de la batterie.

Afin de garantir le fonctionnement sûr et durable du système de batterie, les gens doivent prédire avec précision la durée de vie des batteries au lithium afin de gérer efficacement leur état de santé.Les méthodes de prédiction traditionnelles basées sur des modèles physiques et semi-empiriques sont sujettes à des erreurs et ont une précision très limitée.Avec le développement de la technologie de l’intelligence artificielle, les méthodes de prédiction basées sur les données ont gagné en précision, mais la précision de leur modèle est souvent limitée par la rareté des données étiquetées.

En réponse aux défis ci-dessus, l'équipe dirigée par le professeur associé Wan Jiayu de la Puyuan School of Future Technology de l'Université Jiao Tong de Shanghai a publié un article de recherche intitulé « Apprentissage semi-supervisé pour une prédiction explicable de la durée de vie des batteries en quelques coups » dans la revue de renommée internationale Joule.Une technique d'apprentissage semi-supervisé appelée co-formation bayésienne partielle (PBCT) est proposée.En exploitant pleinement les données non étiquetées, peu coûteuses et abondantes, générées tout au long du cycle de vie des batteries au lithium et en extrayant des informations cachées, nous pouvons approfondir notre compréhension des modèles de données sous-jacents et améliorer considérablement la précision des prévisions de la durée de vie des batteries.

Par rapport aux méthodes existantes, la PBCT améliore non seulement considérablement la précision de la prédiction de la durée de vie, mais ne nécessite également pratiquement aucun coût supplémentaire de collecte de données.

Points saillants de la recherche :

* Prédire la durée de vie de la batterie à l'aide de données limitées via un apprentissage semi-supervisé

* La méthode d'apprentissage semi-supervisé par co-formation bayésienne (PBCT) donne de bons résultats en termes de précision et d'interprétabilité

* Réduire considérablement les coûts économiques en réduisant le besoin de données étiquetées

Adresse du document :
https://doi.org/10.1016/j.joule.2024.02.020 

Suivez le compte officiel et répondez « Autonomie de la batterie au lithium » pour obtenir le PDF complet

Ensemble de données : 124 batteries, 3 sous-ensembles de données

L'ensemble de données utilisé dans cette étude est un ensemble de données open source fourni par Severson et al., qui contient 124 cellules cylindriques LiFePO4/graphite A123 APR18650M1A avec une capacité nominale de 1,1 Ah et une durée de vie moyenne de 806 cycles (allant de 150 à 2 300 cycles).

Selon différents protocoles de vieillissement calendaire et de charge rapide, l'ensemble de données utilisé dans cette étude est divisé en trois sous-ensembles de données, avec 41 batteries (ensemble de données 1), 43 batteries (ensemble de données 2) et 40 batteries (ensemble de données 3).Chaque ensemble de données contient 20 entités d’entrée extraites en fonction des connaissances du domaine.

Architecture du modèle : création d'un modèle de vue complet hautes performances

L'architecture de la méthode PBCT est illustrée dans la figure ci-dessous, dans laquelle deux modèles sont établis.C'est-à-dire un modèle à vue partielle et un modèle à vue complète.

Étant donné que le modèle de vue complète prend en compte toutes les fonctionnalités, il est sujet au surapprentissage et peut conduire à une mauvaise précision de prédiction.Les chercheurs ont donc créé un modèle de vue partielle pour estimer les pseudo-étiquettes des données non étiquetées en fonction d’un sous-ensemble de caractéristiques d’entrée importantes.

Par la suite, selon le principe d'optimisation a posteriori maximale, il est à nouveau formé conjointement avec le modèle de vue complète, de sorte que le modèle de vue partielle agit comme un guide pour aider à dériver le modèle de vue complète haute performance qui est finalement utilisé.

Cela permet au modèle de vue complète d'obtenir des informations utiles à partir de données étiquetées et non étiquetées, conduisant à des prédictions plus fiables.

Résultats de recherche : PBCT ouvre une nouvelle voie pour la prédiction de la durée de vie des batteries

Dans les expériences d’évaluation des performances, les chercheurs ont utilisé respectivement l’ensemble de données 1, l’ensemble de données 2 et l’ensemble de données 3 pour les expériences. Chaque ensemble d’expériences a été divisé en scénarios hors ligne et en ligne, et l’erreur quadratique moyenne (RMSE) des données de test a été utilisée pour évaluer la précision du modèle formé. En raison de la faible quantité de données de formation étiquetées dans le cadre expérimental, les chercheurs ont adopté des méthodes de régression classiques pour traiter les situations à quelques prises de vue, telles que Lasso et Elastic net comme lignes de base.

Les résultats expérimentaux correspondant au scénario hors ligne sont présentés dans les figures A à C ci-dessous.La méthode PBCT proposée surpasse les méthodes de base compte tenu de différentes quantités de données de formation étiquetées.Lorsque le nombre de données d'entraînement étiquetées est de 10, PBCT surpasse Lasso de 9,8%, 21,9% et 18,3% sur les ensembles de données 1 à 3, respectivement.

Les résultats expérimentaux du scénario en ligne sont présentés dans les figures D à F ci-dessous. La méthode PBCT surpasse la méthode de base dans tous les cas des ensembles de données 2 et 3, et surpasse également la méthode de base dans la plupart des cas lorsque le nombre d'échantillons d'entraînement étiquetés dans l'ensemble de données 1 est rare.

Dans l'expérience d'analyse économique, afin de démontrer quantitativement les avantages de la méthode PBCT proposée dans la prédiction de la durée de vie de la batterie,Sur la base des résultats d’expériences de scénarios hors ligne, les chercheurs ont analysé le temps et le coût de l’échantillonnage des données requis pour chaque méthode.

Les chercheurs ont estimé le coût médian du cycle pour 200 expériences répétées et ont constaté que la méthode PBCT nécessite moins de données d'apprentissage étiquetées et un coût de cycle inférieur pour atteindre la même précision, comme le montrent les figures A à C ci-dessous :

Comme le montre la figure D, pour atteindre la précision cible RMSE% 0,10, la PBCT nécessite un coût de cycle inférieur par rapport à la méthode Lasso. Dans l'ensemble de données 2, pour atteindre la précision cible RMSE% 0,10, PBCT nécessite 7 700,5 cycles (le RMSE est de 0,099 lorsque les cycles sont de 7 700,5), tandis que Lasso nécessite plus de 10 537 cycles (le RMSE est de 0,105 lorsque les cycles sont de 10 537).

* Les cycles font référence au nombre de fois qu'une batterie passe d'une charge complète à une décharge complète, puis à une charge complète à nouveau, et sont utilisés pour mesurer la durée de vie de la batterie.
* RMSE signifie Root Mean Square Error, également connu sous le nom de Root Mean Square Deviation, et est une mesure couramment utilisée de la différence entre les valeurs mesurées, les valeurs inférieures étant meilleures.

Par conséquent, l’application de l’algorithme PBCT seul peut économiser jusqu’à 28 36,5 cycles, soit 4 685,1 $, par rapport à la méthode Lasso, ce qui équivaut à 26,91 TP3T du coût économique total de l’utilisation de la méthode Lasso.

En résumé, par rapport aux méthodes existantes, la PBCT a permis d’obtenir une amélioration allant jusqu’à 20% dans la précision de la prédiction de la durée de vie avec pratiquement aucun coût d’acquisition de données supplémentaire. Par conséquent, dans le cadre de la même précision de prédiction, le PBCT peut réduire considérablement le coût de la collecte de données.

De plus, l’étude a révélé que l’intégration de données non étiquetées dans le processus de formation permet de révéler les facteurs clés qui affectent la durée de vie de la batterie et qui sont souvent négligés lors de l’analyse des données étiquetées uniquement. Par conséquent, PBCT, une technique d’apprentissage semi-supervisé, ouvre une nouvelle voie pour une estimation efficace et interprétable de l’état de la batterie basée sur les données.

Le laboratoire d'énergie profonde de l'université Jiao Tong de Shanghai continue de surmonter les difficultés

Selon les rapports officiels, les résultats de la recherche proviennent principalement de l'équipe de recherche de l'École des technologies du futur de Puyuan et du Laboratoire d'énergie profonde de l'Université Jiao Tong de Shanghai.

L'orientation de recherche de ce groupe de recherche porte principalement sur les dispositifs et matériaux de stockage d'énergie, la fabrication avancée et leur intégration croisée avec l'intelligence artificielle.Jusqu'à présent, plus de 80 articles du SCI ont été publiés dans des revues universitaires de renommée internationale dans le domaine de l'énergie et des matériaux, telles que Science, Nature et Cell, avec un total de plus de 11 000 citations et un indice H de 48. Les résultats de la recherche ont été rapportés par de nombreux médias renommés au pays et à l'étranger.

Le professeur associé Wan Jiayu du groupe de recherche a également remporté le prix national des doctorants de l'American Vacuum Society « Dorothy M. et Earl S. Hoffman Award » (un prix par an dans le monde), la « bourse nationale pour les étudiants internationaux autofinancés exceptionnels » décernée par le China Scholarship Council et la liste annuelle de l'Université de Stanford des 21 meilleurs scientifiques TP3T au monde (2020-2022). Il est membre du comité de rédaction de National Science Open, Materials Today Energy, eScience, Carbon Energy, China Chemical Express, Rare Metals et d'autres magazines.

En plus des résultats de recherche mentionnés ci-dessus, l'équipe de recherche a continué à approfondir et à surmonter les difficultés dans le domaine des batteries au lithium.

En mai 2023, l'équipe a publié un article de recherche intitulé « Self-Assembly Monolayer Inspired Stable Artificial Solid Electrolyte Interphase Design for Next-Generation Lithium Metal Batteries » dans la revue de renommée internationale Nano Letters.

Le lithium métal est une électrode négative idéale pour les batteries lithium-ion à haute densité énergétique, mais son application est limitée en raison de sa réactivité élevée et de son interface fragile - en particulier dans les systèmes d'électrolytes carbonates commerciaux, les performances du lithium métal sont médiocres, ce qui entrave sérieusement son application généralisée dans les batteries secondaires.Cette étude a proposé une stratégie simple et efficace pour immerger le lithium métal dans un solvant 3-mercaptopropylméthyldiméthoxysilane (3MPDMS) pour former une couche SEI uniforme et riche en matières inorganiques, qui à son tour a permis le dépôt/décapage uniforme du lithium métal pendant plus de 500 cycles à faible surtension dans un électrolyte carbonaté.

En juin 2023, l'équipe a publié ses derniers résultats de travaux sur le recyclage ultra-rapide des matériaux d'électrodes positives dans le domaine du recyclage des batteries lithium-ion.La méthode de réparation ultra-rapide qu'ils ont développée peut réparer efficacement et directement le matériau de l'électrode positive (LCO) des batteries usagées en 8 secondes. Les performances électrochimiques du matériau d’électrode positive réparé sont comparables à celles du matériau d’électrode positive nouvellement préparé.Cette recherche sur la réparation des matériaux d’électrode positive des batteries lithium-ion fournit une méthode efficace et économe en énergie pour le développement renouvelable et le recyclage des ressources des batteries lithium-ion.

Sous la direction de l'équipe dirigeante, les technologies avancées représentées par l'intelligence artificielle continueront de s'approfondir dans les domaines de l'énergie et des matériaux à l'avenir, favorisant le développement durable de l'industrie.

Références :
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