
 
 
 
 
 
 
 
 
 
 Հեղինակներ 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Շենգյու Տաո Ռուիֆեյ Մա Զիքսի Չժաո Գուանգյուան Մա Լին Սու Հենգ Չանգ Յուու Չեն Հաուչժոու Լիու Չժեն Լիանգ Տինգվեյ Ցաո Հաոչենգ Ջի Չժիյուան Հան Մինյան Լու Հուիցզյոնգ Յանգ Չժոնգուո Վեն Ջյանհուա Յաո Ռոնգ Յու Գուոդան Ուեյ Յանգ Լի Սյուան Չժան Տինգյանգ Սու Գուանմին Չժոու ՄAbstract Հեռացված մարտկոցների առողջության վիճակի (SOH) արագ և ճշգրիտ գնահատումը վերօգտագործման և վերամշակման կարևոր նախապատրաստական քայլ է։ Սակայն, տվյալների վրա հիմնված մեթոդները պահանջում են մանրակրկիտ տվյալների մշակում՝ պատահական SOH և լիցքավորման վիճակի (SOC) հեռացման պայմաններում։ Այստեղ մենք ցույց ենք տալիս, որ տվյալների ստեղծման ուսուցման օգնությամբ SOH գնահատումը խոստումնալից է տվյալների պակասի և հետերոգենության մարտահրավերները մեղմելու համար, որը հաստատվել է 2700 հեռացված լիթիում-իոն մարտկոցների նմուշների պուլսային ներարկման տվյալների միջոցով, որոնք ընդգրկում են 3 կաթոդային նյութերի տեսակներ, 3 ֆիզիկական ձևաչափեր, 4 հզորության նախագծեր և 4 պատմական օգտագործում՝ 10 SOC մակարդակով։ Ստեղծված տվյալների օգտագործմամբ, ռեգրեսորը իրականացնում է SOH-ի ճշգրիտ գնահատում՝ միջին բացարձակ տոկոսային սխալանքներով, որոնք 6%-ից ցածր են անծանոթ SOC-ի պայմաններում։ Մենք կանխատեսում ենք, որ ենթադրելով առաջարկվող տեխնիկայի միասնական ներդրում, դա կխնայի 4.9 միլիարդ ԱՄՆ դոլար՝ էլեկտրաէներգիայի ծախսերի մեջ և 35.8 միլիարդ կգ CO2 արտանետումներ՝ մեղմելով տվյալների մշակման ծախսերը 2030 թվականի համաշխարհային մարտկոցների հեռացման սցենարի համար։ Այս հոդվածը ընդգծում է սահմանափակ տվյալների օգտագործումը՝ ընդլայնված տվյալների տարածքը ուսումնասիրելու համար, ստեղծող մեթոդների միջոցով, հաշվի առնելով, որ տվյալները կարող են ժամանակատար, թանկ և աղտոտող լինել շատ գնահատման և կանխատեսման խնդիրների համար։ Ներածություն Տրանսպորտային էլեկտրաֆիկացիան, որը ցածր ածխածնային էներգետիկ անցման կարևոր ոլորտն է , աննախադեպ կերպով վերափոխել է հանածո վառելիքի վրա հիմնված տրանսպորտի պարադիգման։ Լիթիում-իոն մարտկոցները կարևոր են այս անցման համար՝ ապահովելով մատչելի, ամուր և անվտանգ էներգիայի մատակարարում էլեկտրական մեքենաներին (EVs) , ։ Օգտագործման մեջ գտնվող և ծառայության ավարտին հասած EV մարտկոցների ընդհանուր հզորությունը կգերազանցի 32–62 տերավատտը մինչև 2050 թվականը, զգալիորեն ավելի բարձր, քան Միջազգային Վերականգնվող Էներգիայի Գործակալության և Էներգիայի Պահեստավորման Լաբորատորիայի սցենարներում ։ Սակայն, հեռացված EV մարտկոցները խստորեն կարգավորվում են՝ զգալի մնացորդային հզորության արժեքով, որը հաճախ չի օգտագործվում, սովորաբար՝ անվանական հզորության 80%-ից ավելի , ։ Եթե պատշաճ կերպով չվարվեն, դա կհանգեցնի տնտեսական բեռների  արտադրողների և օգտագործողների համար, ինչպես նաև հետագա բնապահպանական և հասարակական խնդիրների , ներառյալ՝ ռեսուրսների վատնումը, մատակարարման շղթայի ռիսկերը և ածխածնային արտանետումները , , ։ 1 2 3 4 5 6 7 8 9 10 11 Մարտկոցների հեռացման հանկարծակի աճի հետ կապված մտահոգությունները հասցեագրելու խոստումնալից ռազմավարություններ են վերօգտագործումը , ,  և վերամշակումը ։ Վերօգտագործման մեջ հեռացված մարտկոցները վերանպատակվում են այնպիսի կիրառությունների համար, ինչպիսիք են ցանցին միացված էներգիայի պահեստավորման համակարգերը , բնակարանային էներգիայի մատակարարումը , և ցածր արագությամբ մեքենաները։ Սակայն, վերօգտագործումը պահանջում է նախնական նախապատրաստական քայլեր, ներառյալ՝ համաձայնության սկրինինգը , հզորության տեսակավորումը , և վերախմբավորումը ,  համաձայն կիրառման պահանջների ։ Չնայած փորձային ծրագրերի մեկնարկին , , , օգտագործման սցենարների և հեռացման ուղիների համար խիստ չափորոշիչների բացակայությունը խոչընդոտում է մնացորդային հզորության ռացիոնալ օգտագործումը ։ Վերամշակումը այլընտրանքային կերպով օգտագործում է հեռացված մարտկոցների մնացորդային արժեքները՝ նյութերի արդյունահանման կամ կառուցվածքային վերանորոգման միջոցով , , որը հարմար է անդարձելիորեն դեգրադացված հեռացված մարտկոցների համար։ Համեմատած պիրոմետալուրգիայի և հիդրոմետալուրգիայի հետ , , ուղղակի վերամշակումը առանձնանում է բարձր շահութաբերությամբ, ցածր էներգիայի սպառումով և նվազեցված ածխածնային արտանետումներով , , ։ Օգտագործելով լիթիումի լրացումը և կաթոդային նյութերի հետ-մշակումը, ուղղակի վերամշակումը ձեռք է բերում նյութական կառուցվածքի արդյունավետ վերանորոգում և կատարողականության վերականգնում ։ Սակայն, առողջության վիճակը (SOH) որոշում է պահանջվող քիմիական ռեագենտը և լիթիումի լրացման նախատեսված չափաքանակները ուղղակի վերամշակման ռազմավարության ձևակերպումներում , , ։ Չափաքանակի անբավարարությունը կարող է հանգեցնել ոչ լիարժեք վերանորոգման, մինչդեռ չափաքանակի ավելցուկը կարող է հանգեցնել կաթոդային մակերեսի վրա մնացորդային ալկալիի առաջացմանը, վատթարացնելով վերականգնման կատարողականությունը , ։ Ցավոք, SOH-ի վերականգնումը պահանջում է ներխուժող նյութական բնութագրում ,  և երկարատև հզորության տրամաչափման փորձարկումներ, ոչ ներխուժող, արագ և կայուն SOH ձեռքբերումը մնում է չլուծված մարտահրավեր։ 6 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 26 27 30 31 32 33 34 27 35 36 37 Համաձայնեցված SOH տեղեկատվությունն ապահովելու համար, EV մարտկոցները մոնիտորինգի են ենթարկվում, և գործառնական տվյալները գրանցվում են ամպային հարթակների  և մարտկոցների անձնագրերի  կողմից։ Եվրոպական խորհրդարանը 2023 թվականի հունիսի 14-ին ընդունեց Մարտկոցների ցուցումը, որպեսզի ապահովի, որ հեռացված մարտկոցները կարող են վերօգտագործվել, վերականգնվել կամ վերամշակվել ծառայության ավարտին ։ Սակայն, պահանջվող մոնիտորինգի և գրանցման ընթացակարգը հասանելի է միայն EV ծառայության փուլում, հեռացված մարտկոցներն այլևս միացված չեն մեքենայի ներսում գտնվող մոնիտորինգի միավորին։ Այսպիսով, դժվար է վերականգնել դաշտում հասանելի SOH տվյալները։ Կյանքի տևողության տվյալների ամբողջականությունը մնում է հիմնական մարտահրավերը, պահանջելով SOH գնահատում միայն դաշտային տվյալների օգտագործմամբ, ի տարբերություն պատմական տվյալների կամ վերահսկելի պայմանների ներքո , , ։ Մեկ լուծումը հզորության տրամաչափման փորձարկում անցկացնելն է հեռացված մարտկոցների հավաքման վայրում, այսինքն՝ պետական լիցքավորման (SOC) մշակումը, որը պարզ է, սակայն, այն պահանջում է անմատչելի փորձարկման ժամանակ և լրացուցիչ էլեկտրաէներգիայի ծախսեր։ Հիբրիդային պուլսային հզորության բնութագրման փորձարկումը այլընտրանք է SOH գնահատման համար՝ դինամիկ պուլսային ներարկման միջոցով, բայց ամբողջական փորձարկման հաջորդականությունը տևում է ավելի քան 12 ժամ։ Տաոյի և գործընկերների կողմից օգտագործվել են կարճ պուլսեր՝ հեռացված մարտկոցների SOH գնահատման համար, ենթադրելով, որ 5% SOC-ի մշակում է կատարվել, ինչը հազիվ թե համատեղելի էր պատահական հեռացման SOC պայմանների հետ ։ Վերջին առաջընթացները զգայական չափումների մեջ ներառում են ռենտգենյան պատկերում , էլեկտրաքիմիական դիմադրություն , , օպտիկական մանրաթելային զգայարան , , ակուստիկ զգայարան , , մասնակի լիցքավորում , , և պուլսային ներարկում , ։ Զգայարանային մեթոդները լաբորատորիայի փուլում են՝ ներխուժող լինելու պատճառով, մինչդեռ պուլսային ներարկումը առանձնանում է մարտկոցի դեգրադացիայի ապակողմնորոշմամբ՝ առանց ֆիզիկական վնասի, միաժամանակ ավելի արագ, քան մասնակի լիցքավորումը և էլեկտրաքիմիական դիմադրության վրա հիմնված մեթոդները , , , , , ։ Սակայն, պուլսային ներարկումը տվյալների վրա հիմնված մեթոդ է, որը միայն իրականանալի է այն իդեալական ենթադրության ներքո, որ ֆիզիկապես չափված տվյալները ընդգրկում են մոդելի տեղադրման փուլի հեռացման պայմանները, որը հայտնի է որպես մեքենայական ուսուցման համայնքում դոմենի շեղման ընդհանուր մարտահրավեր։ Չնայած տրանսֆերային ուսուցման և դոմենի հարմարեցման մեթոդների առաջընթացին , , , մարտահրավերները մնում են, քանի որ համաձայնեցման նպատակային դոմենը դեռևս պահանջում է նախնական տեղեկատվություն տեղադրման վրա, և գոյություն ունեցող ուսուցման մեթոդները դժվար թե թարմացվեն պատահական հեռացման պայմանների համար ։ Մեկ այլընտրանք է չուսումնասիրված հեռացման պայմանների տակ տվյալների փորձարկման մասշտաբի ընդլայնումը՝ տվյալների պակասը և հետերոգենությունը մեղմելու համար, թեև դա կարող է հանգեցնել ծախսերի ավելացման։ Վանգը և գործընկերները առաջարկել են ջերմային արդյունահանման մեթոդ՝ միջանկյալ վիճակներում ռեակցիայի կինետիկայի նախապատվությունները գնահատելու համար ջերմաքիմիական պրոցեսի ընթացքում, թույլ տալով կառուցել ընդարձակ ուսուցման շտեմարաններ նվազագույն ջերմաքիմիական փորձարկումների մասշտաբով և ծախսերով՝ որպես տվյալների աumentation մեքենայական ուսուցման մոդելի ուսուցման համար ։ Բացի այդ, ստեղծող ուսուցումը նույնպես ցույց է տալիս հնարավորություններ՝ մասամբ ցիկլացված պրոֆիլներից աumentation տվյալներով SOH գնահատելու, խնայելով ֆիզիկապես փորձարկված տվյալները , ։ Սակայն, մարտկոցների վերօգտագործման և վերամշակման համատեքստում տվյալների պակասը և հետերոգենությունը նույնիսկ ավելի բարդ են՝ կաթոդային նյութերի տեսակների, ֆիզիկական ձևաչափերի, հզորության նախագծերի և պատմական օգտագործումների խառնուրդի պատճառով, սահմանափակելով պայմանական գիտելիքների ինտեգրման ներուժը դեգրադացիաների վերաբերյալ մեքենայական ուսուցման մոդելներում։ Այսպիսով, ողջամիտ է դիտարկել հեռացման պայմանների և պուլսային լարման պատասխանների միջև կախվածության հարաբերությունը տվյալների ստեղծման համար, առանց երկար ժամանակային շարքի հզորության տրամաչափման և լրացուցիչ ֆիզիկական փորձարկումների միաժամանակ, SOH գնահատման կատարողականությունը բարձրացնելու համար։ 38 24 39 30 40 41 41 42 43 44 45 46 47 48 49 50 17 41 17 51 52 53 54 55 56 57 58 59 60 61 62 Այս ուսումնասիրության ընթացքում մենք իրականացնում ենք հեռացված մարտկոցի նախապատրաստում, այսինքն՝ SOH գնահատում, օգտագործելով պուլսային լարման պատասխան տվյալները, որոնք ստեղծվել են ուշադրություն գործադրող վարիացիոն ավտոկոդերի միջոցով՝ խնայված ֆիզիկական չափման ժամանակի և ծախսերի պայմաններում։ Ընդհանուր նախապատրաստական քայլերի, ստեղծող մոդելի ուսուցման և գործնական մոդելի տեղադրման քայլերի բարձր մակարդակի գործընթացը պատկերված է Նկարում։ 1. Ուսումնասիրության գաղափարը ստեղծող ուսուցման օգտագործումն է՝ արդեն չափված տվյալները ուսումնասիրելու համար պուլսային լարման պատասխանների ուսումնասիրման համար շարունակական հեռացման պայմաններում, այսինքն՝ SOC բաշխումը հեռացված մարտկոցների հավաքման փուլում։ Հետագա SOH գնահատումն իրականացվում է առանց ֆիզիկապես չափված պուլսային պատասխան տվյալների, խնայելով նախապատրաստական էլեկտրաէներգիայի ծախսերը և ածխածնային արտանետումները, որոնք այլապես կպահանջվեն SOC-ի մշակումից դեպի նախատեսված մակարդակը։ Համեմատած ամպեր-ժամային ինտեգրման մեթոդի և մեքենայական ուսուցման պուլսային ներարկման հետ, ստեղծող ուսուցումը ընդգծում է ավելի արագ ստեղծման արագություն և ճշգրիտ գնահատում։ Ստեղծված տվյալներով, պարզ ռեգրեսորը հաջողությամբ գնահատում է SOH-ը՝ ցածր սխալանքով՝ անծանոթ կամ անմատչելի SOC հեռացման պայմանների ներքո, մարտահրավերային «դուրս-օֆ-դիստրիբյուցիայի» (OOD) խնդիր։ OOD խնդիրը լուծվում

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Այս աուդիոն պատրաստվել է պատմության բնօրինակ լեզվով:

Գեներատիվ արհեստական բանականությունն ապահովում է հանգստացած լիթիում-իոնային մարտկոցների կայուն վերաօգտագործումը

About Author

ՄԵԿՆԱԲԱՆՈՒԹՅՈՒՆՆԵՐ

ԿԱԽՎԵԼ ՏԵԳՍԵՐ

ԱՅՍ ՀՈԴՎԱԾԸ ՆԵՐԿԱՅԱՑՎԵԼ Է Մ

Related Stories

Toufi Saliba: The Architect Behind HyperCycle's Decentralized Network of AI

HyveDA Secures $50 Million in Pre-Deposits After Symbiotic Mainnet Launch

HyperCycle Announces Strategic Split into Two Distinct Operations

What is Hyperthreading and How Do You Enable It?

Toufi Saliba: The Architect Behind HyperCycle's Decentralized Network of AI

HyveDA Secures $50 Million in Pre-Deposits After Symbiotic Mainnet Launch

HyperCycle Announces Strategic Split into Two Distinct Operations

What is Hyperthreading and How Do You Enable It?

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps

Գեներատիվ արհեստական ​​բանականությունն ապահովում է հանգստացած լիթիում-իոնային մարտկոցների կայուն վերաօգտագործումը

About Author

ՄԵԿՆԱԲԱՆՈՒԹՅՈՒՆՆԵՐ

ԿԱԽՎԵԼ ՏԵԳՍԵՐ

ԱՅՍ ՀՈԴՎԱԾԸ ՆԵՐԿԱՅԱՑՎԵԼ Է Մ

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps

Գեներատիվ արհեստական բանականությունն ապահովում է հանգստացած լիթիում-իոնային մարտկոցների կայուն վերաօգտագործումը