
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autori: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Shengyu Tao Ruifei Ma Zixi Zhao Guangyuan Ma Lin Su Heng Chang Yuou Chen Haizhou Liu Zheng Liang Tingwei Cao Haocheng Ji Zhiyuan Han Minyan Lu Huixiong Yang Zongguo Wen Jianhua Yao Rong Yu Guodan Wei Yang Li Xuan Zhang Tingyang Xu Guangmin Zhou Abstract Una stima rapida e accurata dello stato di salute (SOH) delle batterie dismesse è un pretrattamento cruciale per il riutilizzo e il riciclo. Tuttavia, i metodi basati sui dati richiedono un'accurata curatela dei dati in condizioni di ritiro casuali di SOH e stato di carica (SOC). Qui dimostriamo che la stima SOH assistita dall'apprendimento generativo è promettente nell'alleviare le sfide di scarsità ed eterogeneità dei dati, convalidata attraverso un dataset di iniezione di impulsi di 2700 campioni di batterie agli ioni di litio dismesse, che coprono 3 tipi di materiali catodici, 3 formati fisici, 4 progetti di capacità e 4 utilizzi storici con 10 livelli di SOC. Utilizzando dati generati, un regressore realizza stime SOH accurate, con errori percentuali assoluti medi inferiori al 6% in SOC non visti. Prevediamo che, assumendo un'adozione uniforme della tecnica proposta, ciò consentirebbe di risparmiare 4,9 miliardi di dollari in costi energetici e 35,8 miliardi di kg di emissioni di CO2 mitigando i costi di curatela dei dati per uno scenario globale di ritiro di batterie nel 2030. Questo articolo evidenzia lo sfruttamento di dati limitati per esplorare lo spazio dati esteso utilizzando metodi generativi, dato che i dati possono richiedere tempo, essere costosi e inquinanti da recuperare per molti compiti di stima e predizione. Introduzione L'elettrificazione dei trasporti, un settore critico nella transizione energetica a basse emissioni di carbonio , ha rimodellato senza precedenti il paradigma dei trasporti basato sui combustibili fossili. Le batterie agli ioni di litio sono vitali per questa transizione, fornendo forniture energetiche convenienti, durevoli e sicure ai veicoli elettrici (EV) , . La capacità totale delle batterie EV in uso e a fine vita supererà i 32–62 terawatt entro il 2050, considerevolmente superiore alle stime dell'Agenzia Internazionale per le Energie Rinnovabili e degli scenari di Storage Lab . Tuttavia, le batterie EV dismesse sono fortemente regolamentate con un enorme valore di capacità residua sottoutilizzato, tipicamente superiore all'80% della capacità nominale , . Se non gestite correttamente, ciò comporta oneri economici  per i produttori e gli utenti, nonché successive questioni ambientali e sociali , tra cui spreco di risorse, rischi per la catena di approvvigionamento ed emissioni di carbonio , , . 1 2 3 4 5 6 7 8 9 10 11 Strategie promettenti per affrontare le preoccupazioni relative all'intermittente aumento del ritiro delle batterie sono il riutilizzo , ,  e il riciclo . Nel riutilizzo, le batterie dismesse vengono riutilizzate per applicazioni come sistemi di accumulo di energia connessi alla rete , alimentatori residenziali  e veicoli a bassa velocità. Tuttavia, il riutilizzo richiede pretrattamenti preliminari, tra cui il controllo di coerenza , la classificazione della capacità  e il raggruppamento ,  per soddisfare i requisiti applicativi . Nonostante l'avvio di programmi pilota , , , l'assenza di standard rigorosi per gli scenari di utilizzo e i percorsi di ritiro ostacola l'uso razionale della capacità residua . Il riciclo utilizza alternativamente i valori residui delle batterie dismesse mediante estrazione di materiali o riparazione strutturale , , adatto per batterie dismesse irreversibilmente degradate. Rispetto alla pirometallurgia e all'idrometallurgia , , il riciclo diretto spicca per redditività superiore, minor consumo energetico e ridotte emissioni di carbonio , , . Sfruttando la rigenerazione del litio e il post-trattamento dei materiali catodici, il riciclo diretto ottiene un'efficiente riparazione della struttura dei materiali e un ripristino delle prestazioni . Tuttavia, lo stato di salute (SOH) determina il reagente chimico richiesto e i dosaggi previsti di integrazione del litio nelle formulazioni delle strategie di riciclo diretto , , . Un dosaggio insufficiente può portare a una riparazione incompleta, mentre un dosaggio eccessivo può portare alla generazione di alcali residui sulla superficie del catodo, deteriorando le prestazioni di ripristino , . Sfortunatamente, il recupero dell'SOH richiede caratterizzazione invasiva dei materiali ,  e lunghi test di calibrazione della capacità; l'acquisizione SOH non invasiva, rapida e sostenibile rimane una sfida eccezionale. 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 Per garantire informazioni SOH coerenti, le batterie EV vengono monitorate e i dati operativi vengono registrati da piattaforme cloud  e passaporti delle batterie . Il Parlamento Europeo ha adottato la Direttiva Batterie il 14 giugno 2023, per garantire che le batterie dismesse possano essere riutilizzate, ricondizionate o riciclate a fine vita . Tuttavia, la procedura di monitoraggio e registrazione richiesta è accessibile solo nella fase di servizio EV; le batterie dismesse non sono più collegate all'unità di monitoraggio del veicolo. Pertanto, è difficile recuperare i dati SOH disponibili sul campo. L'integrità dei dati di vita rimane una sfida importante, richiedendo la stima SOH utilizzando solo dati sul campo, al contrario di dati storici o in condizioni controllabili , , . Una soluzione è eseguire un test di calibrazione della capacità sul campo di raccolta delle batterie dismesse, ovvero il condizionamento dello stato di carica (SOC), che è semplice, tuttavia, richiede un tempo di test proibitivo e costi energetici aggiuntivi. Il test di caratterizzazione dell'impulso di potenza ibrido è un'alternativa per la stima SOH mediante iniezione dinamica di impulsi, ma la sequenza completa del test richiede oltre 12 ore. Tao et al. hanno utilizzato impulsi brevi per la stima SOH delle batterie dismesse, presupponendo che fosse stato eseguito un condizionamento SOC al 5%, il che era appena compatibile con le condizioni di SOC di ritiro casuali . Recenti progressi nelle misurazioni basate su sensori includono l'imaging a raggi X , l'impedenza elettrochimica , , il rilevamento in fibra ottica , , il rilevamento acustico , , la carica parziale ,  e l'iniezione di impulsi , . Le tecniche basate sui sensori sono in fase di laboratorio a causa dell'invasività, mentre l'iniezione di impulsi presenta lo sblocco del degrado della batteria senza danni fisici, contemporaneamente più veloce dei metodi basati sulla carica parziale e sull'impedenza elettrochimica , , , , , . Tuttavia, l'iniezione di impulsi è un metodo basato sui dati che è fattibile solo nell'ipotesi ideale che i dati misurati fisicamente includano le condizioni di ritiro della fase di implementazione del modello, noto come comune sfida di spostamento di dominio nella comunità di machine learning. Nonostante i progressi nei metodi di apprendimento per trasferimento e adattamento di dominio , , , persistono sfide poiché il dominio target da allineare richiede ancora informazioni preventive al momento della distribuzione, e i metodi di apprendimento esistenti difficilmente possono essere aggiornati per condizioni di ritiro casuali . Un'alternativa è estendere la scala di test dei dati in condizioni di ritiro inesplorate per mitigare la scarsità e l'eterogeneità dei dati, sebbene ciò possa comportare costi aggiuntivi. Wang et al. hanno proposto un metodo di escavazione della temperatura per interpolare le preferenze cinetiche di reazione in diversi stati intermedi durante un processo termochimico, consentendo la costruzione di database di addestramento estesi con una scala e un costo sperimentali termochimici minimi come aumento dei dati per l'addestramento del modello di machine learning . Inoltre, l'apprendimento generativo dimostra anche le possibilità di stimare l'SOH con dati aumentati da profili parzialmente ciclati, risparmiando i dati fisicamente testati richiesti , . Tuttavia, la scarsità e l'eterogeneità dei dati nel contesto del riutilizzo e riciclo delle batterie sono ancora più complesse a causa di un mix di tipi di materiali catodici, formati fisici, progetti di capacità e utilizzi storici, limitando la potenziale integrazione della conoscenza specifica delle condizioni di degrado nei modelli di machine learning. Pertanto, è ragionevole considerare la relazione di dipendenza tra le condizioni di ritiro e le risposte di tensione dell'impulso per la generazione dei dati, senza comportare lunghi periodi di calibrazione della capacità e ulteriori esperimenti fisici contemporaneamente, per migliorare le prestazioni di stima SOH. 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 In questo studio, eseguiamo il pretrattamento della batteria dismessa, ovvero la stima SOH, utilizzando i dati di risposta di tensione dell'impulso generati da un autoencoder variazionale con attenzione, risparmiando tempo e costi di misurazione fisica. Il processo di alto livello dei passaggi generali di pretrattamento, addestramento del modello generativo e passaggi pratici di implementazione del modello sono illustrati nella Fig.  . L'idea di ricerca è utilizzare l'apprendimento generativo per sfruttare i dati già misurati per l'esplorazione delle risposte di tensione dell'impulso in condizioni di ritiro continue, ovvero la distribuzione SOC nella fase di raccolta delle batterie dismesse. La stima SOH downstream viene implementata senza dati di risposta dell'impulso misurati fisicamente, risparmiando i costi energetici di pretrattamento e le emissioni di carbonio altrimenti richieste dal condizionamento del SOC al livello previsto. Rispetto al metodo di integrazione ampere-ora e all'iniezione di impulsi basata sul machine learning, l'apprendimento generativo sottolinea una velocità di generazione più rapida e una stima accurata. Con i dati generati, un semplice regressore stima con successo l'SOH con basso errore in condizioni di ritiro SOC non viste o inaccessibili nel database, un problema impegnativo di out-of-distribution (OOD). Il problema OOD viene risolto apprendendo il pattern fisico ereditato tra la condizione SOC e la risposta di tensione indotta dall'impulso rapido. Dimostriamo la generalizzabilità del nostro metodo verificando attraverso 2700 campioni misurati fisicamente, che coprono 3 tipi di materiali catodici, 3 formati fisici, 4 progetti di capacità e 4 utilizzi storici (1 invecchiamento accelerato in laboratorio, 1 guida pura di veicoli elettrici a batteria e 2 guida di veicoli elettrici ibridi). L'apprendimento generativo si adatta all'interpolazione e all'estrapolazione integrando la conoscenza pregressa delle condizioni di ritiro nello scaling dello spazio latente dei parametri del modello, risparmiando tempo di misurazione, costi energetici e conseguenti emissioni di carbonio senza compromettere l'accuratezza della stima SOH. Uno studio di caso globale conservativo sul ritiro delle batterie nel 2030 evidenzia il significato della stima SOH rapida e sostenibile nelle circostanze di riciclo pirometallurgico, idrometallurgico e diretto. Attraverso l'analisi tecnico-economica, la stima SOH assistita dall'apprendimento generativo potrebbe risparmiare 4,9 miliardi di dollari in costi energetici e 35,8 miliardi di kg di emissioni di CO2 entro il 2030 a livello globale. Discutiamo l'interpretabilità del modello, le implicazioni del pretrattamento per il riciclo e aspetti più ampi delle future direzioni di pretrattamento per il riciclo intelligente integrate con il machine learning. 1    I passaggi di pretrattamento della batteria dismessa includono il condizionamento SOC, le misurazioni fisiche, il machine learning per la diagnosi SOH e il processo decisionale di seconda vita prima del riutilizzo o riciclo. Il condizionamento SOC si riferisce alla regolazione dei valori SOC delle batterie dismesse ai livelli desiderati utilizzando il tradizionale metodo a corrente costante e tensione costante (CCCV).   Lo schema dell'autoencoder variazionale con attenzione per la generazione dei dati di risposta di tensione dell'impulso.   L'uso pratico del modello di generazione dati per la stima SOH non richiede alcun condizionamento SOC aggiuntivo. Il modello di machine learning addestrato è supervisionato dai dati generati e riceve risposte di tensione dell'impulso immediate quando è in fase di implementazione.   I benefici economici ed ambientali e la rapida velocità di generazione della nostra metodologia di apprendimento generativo salvando i costi di condizionamento SOC nello scenario globale di ritiro delle batterie del 2030. a b c d Risultati Acquisizione del dataset La scarsità e l'eterogeneità dei dati sono sfide importanti nella diagnosi e prognosi delle batterie basate sui dati, specialmente per le batterie dismesse. Abbiamo raccolto 2700 campioni da 270 batterie fisicamente dismesse su ampi livelli di SOC, ovvero dal 5% al 50% con un intervallo del 5%. Nella Fig.  , il dataset copre 3 tipi predominanti di materiali catodici, tra cui 119 batterie dismesse NMC (ossido di nichel manganese cobalto) raccolte fisicamente, 56 LFP (litio ferro fosfato) e 95 LMO (ossido di litio manganese), che coprono 3 formati fisici (cilindrico, a sacchetto, prismatico) e 4 modelli di utilizzo storico (1 test di invecchiamento accelerato in laboratorio, 3 utilizzi di veicoli elettrici, tra cui 1 modalità di propulsione puramente elettrificata e 2 modalità di propulsione ibrida). Sottolineiamo che l'inclusione di campioni di test altamente eterogenei rende il nostro dataset il più grande dataset basato su impulsi rapidi per la stima SOH delle batterie dismesse fino ad oggi, facilitando la generalizzabilità del modello oltre i dataset misurati fisicamente. 2a    Il diagramma di Sankey per la distribuzione delle batterie dismesse, comprende tipi di materiali catodici, formati fisici, progetti di capacità e utilizzi storici.   Corrente dell'impulso e la successiva risposta di tensione delle batterie dismesse, dove le caratteristiche vengono estratte dai punti di svolta, ovvero i punti con derivata seconda zero della curva di risposta di tensione. I 21 punti caratteristici, da U1 a U21, vengono estratti. La frequenza di registrazione per i dati grezzi è 100 Hz. Il tempo di riposo è di 25 secondi tra ogni impulso in velocità C. Notare che il termine C sta per velocità di carica (scarica) quando viene effettuata una carica (scarica) di 1 ora. La temperatura ambiente è controllata a 25 .   La distribuzione dello stato di salute (SOH) (adattamento Gaussiano) delle batterie dismesse da 2,1 Ah e 21 Ah per illustrazione, rispettivamente. Per la distribuzione SOH di altri tipi di batterie, si veda la Figura Supplementare.  .   La relazione tra la risposta di tensione dell'impulso misurata e l'SOH calibrato dal test di calibrazione della capacità, con condizioni di stato di carica (SOC) variabili. Viene illustrata la prima dimensione caratteristica, U1.   Illustrazione del caso di generazione di dati di interpolazione ed estrapolazione in diverse distribuzioni SOC di ritiro delle batterie. Le impostazioni dettagliate del test si trovano nelle Note Supplementari   e  , notando che l'impostazione del C-rate è identica tra i tipi di materiali catodici. I dati di origine sono forniti come file Source Data. a b c 1 d e 1 2 A differenza del normale test CCCV, il test dell'impulso non causa lunghi tempi di test e danni aggiuntivi alle batterie dismesse. Pertanto, utilizziamo i risultati CCCV come valori di capacità di riferimento per l'SOH. I dati del test dell'impulso vengono utilizzati come dati di addestramento per il modello di apprendimento generativo. Anche se il tipo di materiale catodico della batteria varia, eseguiamo un'ingegneria delle caratteristiche standardizzata e accessibile, garantendo la compatibilità nell'uso pratico. La figura   dimostra l'estrazione delle caratteristiche dopo l'iniezione di corrente dell'impulso. Le impostazioni sperimentali CCCV e di iniezione dell'impulso possono essere trovate nella Nota Supplementare  . Per i primi cinque impulsi iniettati, i punti di svolta, ovvero i punti con derivata seconda zero delle risposte di tensione, vengono registrati come caratteristiche, con conseguenti caratteristiche di 21 dimensioni. Nonostante il tempo dell'impulso a livello di 5 secondi, eseguiamo anche una misurazione di sensibilità sulla larghezza dell'impulso con il duplice obiettivo di verificare la robustezza dell'impulso e ridurre ulteriormente il tempo di test, da 30 ms a 5 s. 2b 1 Consideriamo l'invecchiamento accelerato nei test di laboratorio (Nota Supplementare  ) e l'invecchiamento reale di guida dei veicoli elettrici, sebbene agnostici ai profili di guida espliciti a causa delle restrizioni sulla privacy dei dati. Nella Fig.  , sono illustrate le distribuzioni SOH delle batterie invecchiate in modo accelerato (NMC, 2,1 Ah) e delle batterie invecchiate alla guida di veicoli elettrici puri (NMC, 21 Ah). Notando che i valori SOH sono complementari in un'ampia regione SOH, da 0,6 a 1, i dati raccolti sono rappresentativi degli scenari di ritiro delle batterie, anche con casi di ritiro estremi precoci. Le distribuzioni SOH di altre batterie raccolte (LMO, 10 Ah e LFP 35 Ah) coprono un'ampia distribuzione SOH, vedere la Figura Supplementare  . I test dell'impulso sono ripetuti a diversi livelli di SOC, da 5% a 50%, per simulare la casualità della raccolta delle batterie dismesse. La regione SOC testata è basata sull'assunzione che le batterie dismesse presentino un SOC basso o siano soggette a scarica forzata per requisiti di sicurezza di stoccaggio in magazzino, quindi il limite superiore del SOC è impostato al 50%. Nella Fig.  2 2c 1

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

Questo audio è prodotto nella lingua originale della storia!

L'IA generativa potenzia il riutilizzo sostenibile delle batterie agli ioni di litio dismesse

About Author

COMMENTI

CARTELLINI

QUESTO ARTICOLO È STATO PRESENTATO IN

Related Stories

I Built an AI Copilot That Thinks in Exploits, Not Prompts

OpenAI Has Everything Under Control 😎

Coding with Latenode's AI + JavaScript Assistant: A Low-Code Platform for Simplified Development

I Tried Perplexity For a Week, And I Don't Think AI Search Engines Can Replace Google.. Yet

I Built an AI Copilot That Thinks in Exploits, Not Prompts

OpenAI Has Everything Under Control 😎

Coding with Latenode's AI + JavaScript Assistant: A Low-Code Platform for Simplified Development

I Tried Perplexity For a Week, And I Don't Think AI Search Engines Can Replace Google.. Yet

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps