Mākslīgā intelekta radīšanas spējas nodrošina ilgtspējīgu izlietoto litija jonu akumulatoru atkārtotu izmantošanu

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 Kopsavilkums Ātra un precīza izslēgto akumulatoru veselības stāvokļa (SOH) novērtēšana ir ļoti svarīgs priekšapstrādes solis atkārtotai izmantošanai un pārstrādei. Tomēr datu virzītas metodes prasa visaptverošu datu izstrādi, lai pārvaldītu nejaušus SOH un uzlādes stāvokļa (SOC) izslēgšanas nosacījumus. Šajā darbā mēs parādām, ka ģeneratīvā mācīšanās palīdzētais SOH novērtējums ir daudzsološs līdzeklis datu trūkuma un atšķirību mazināšanā, ko apstiprina 2700 izslēgtu litija jonu akumulatoru paraugu pulsa injekcijas datu kopums, kas aptver 3 katoda materiālu tipus, 3 fiziskos formātus, 4 jaudas dizainus un 4 vēsturiskus lietojumus ar 10 SOC līmeņiem. Izmantojot ģenerētos datus, regresors nodrošina precīzu SOH novērtējumu ar vidējo absolūto procentuālo kļūdu (MAPE) zem 6% nezināmos SOC apstākļos. Mēs prognozējam, ka, pieņemot vienotu ierosinātās metodes izmantošanu, tas ietaupītu 4,9 miljardus USD elektrības izmaksās un 35,8 miljardus kg CO2 emisiju, mazinot datu izstrādes izmaksas pasaules mērogā 2030. gadā paredzētajiem akumulatoru izslēgšanas scenārijiem. Šis darbs izceļ ierobežotu datu izmantošanu, lai, izmantojot ģeneratīvas metodes, izpētītu paplašinātu datu telpu, jo dati daudziem novērtēšanas un prognozēšanas uzdevumiem var būt laikietilpīgi, dārgi un piesārņojoši. Ievads Transportlīdzekļu elektrifikācija, kas ir kritisks sektors zems oglekļa satura enerģētikas pārejā [citāts 1], ir nepieredzēti mainījusi fosilo kurināmo balstītu transporta paradigmu. Litija jonu akumulatori ir būtiski šai pārejai, nodrošinot pieejamu, izturīgu un drošu enerģijas piegādi elektriskajiem transportlīdzekļiem (EV) [citāts 2, 3]. Kopējā lietoto un ekspluatācijas laiku beigušos EV akumulatoru jauda līdz 2050. gadam pārsniegs 32–62 teravatus, kas ir ievērojami vairāk nekā Starptautiskās Atjaunojamās Enerģijas Aģentūras un Storage Lab scenāriju aplēses [citāts 4]. Tomēr ekspluatācijas laiku beigušajiem EV akumulatoriem ir stingri regulējumi ar lielu nepietiekami izmantotu atlikušās jaudas vērtību, parasti vairāk nekā 80% no nominālās jaudas [citāts 5, 6]. Ja tie netiek pareizi apstrādāti, tas rada ekonomisku slogu [citāts 7] ražotājiem un lietotājiem, kā arī turpmākas vides un sabiedrības problēmas [citāts 8], tostarp resursu izšķērdēšanu, piegādes ķēdes riskus un oglekļa emisijas [citāts 9, 10, 11]. Daudzsološas stratēģijas, lai risinātu problēmas, kas saistītas ar nepārtrauktu akumulatoru izslēgšanas pieplūdumu, ir atkārtota izmantošana [citāts 6, 12, 13] un pārstrāde [citāts 14]. Atkārtotā izmantošanā ekspluatācijas laiku beigušos akumulatorus izmanto tādiem lietojumiem kā tīklam pieslēgtas enerģijas uzglabāšanas sistēmas [citāts 15], mājsaimniecības elektroenerģijas piegāde [citāts 16] un lēnās kustības transportlīdzekļi. Tomēr atkārtota izmantošana prasa sākotnēju priekšapstrādi, ieskaitot saskaņošanas pārbaudi [citāts 17], jaudas šķirošanu [citāts 18] un pārgrupēšanu [citāts 19, 20], lai atbilstu lietojumu prasībām [citāts 21]. Neskatoties uz pilotprojektu uzsākšanu [citāts 22, 23, 24], stingru standartu trūkums lietošanas scenārijiem un izslēgšanas ceļiem kavē atlikušās jaudas racionālu izmantošanu [citāts 25]. Pārstrāde alternatīvi izmanto ekspluatācijas laiku beigušos akumulatoru atlikušās vērtības, izmantojot materiālu ieguvi vai strukturālu remontu [citāts 26, 27], kas ir piemērota neatgriezeniski degradētiem ekspluatācijas laiku beigušajiem akumulatoriem. Salīdzinot ar pirometalurģiju un hidrometalurģiju [citāts 28, 29], tiešā pārstrāde izceļas ar labāku rentabilitāti, zemāku enerģijas patēriņu un samazinātām oglekļa emisijām [citāts 26, 27, 30]. Izmantojot litija papildināšanu un katoda materiālu pēcapstrādi, tiešā pārstrāde nodrošina efektīvu materiāla struktūras remontu un veiktspējas atjaunošanu [citāts 31]. Tomēr veselības stāvoklis (SOH) nosaka nepieciešamo ķīmisko reaģentu un paredzamo litija papildinājumu devu tiešās pārstrādes stratēģijas formulēšanā [citāts 32, 33, 34]. Nepietiekama deva var izraisīt nepilnīgu remontu, savukārt pārmērīga deva var izraisīt atlikušā sārmaina materiāla veidošanos uz katoda virsmas, pasliktinot atjaunošanas veiktspēju [citāts 27, 35]. Diemžēl SOH atgūšana prasa invazīvu materiālu raksturojumu [citāts 36, 37] un ilgas jaudas kalibrēšanas testus, un neinvazīva, ātra un ilgtspējīga SOH iegūšana joprojām ir aktuāla problēma. Lai nodrošinātu konsekventu SOH informāciju, EV akumulatori tiek uzraudzīti, un ekspluatācijas dati tiek reģistrēti mākoņu platformās [citāts 38] un akumulatoru datos [citāts 24]. Eiropas Parlaments 2023. gada 14. jūnijā pieņēma Bateriju direktīvu, lai nodrošinātu, ka ekspluatācijas laiku beigušos akumulatorus var atkārtoti izmantot, atjaunot vai pārstrādāt ekspluatācijas laika beigās [citāts 39]. Tomēr nepieciešamā uzraudzības un reģistrēšanas procedūra ir pieejama tikai EV servisa fāzē, jo ekspluatācijas laiku beigušies akumulatori vairs nav pievienoti transportlīdzekļa uzraudzības sistēmai. Tādējādi ir grūti iegūt lauka pieejamos SOH datus. Dzīves cikla datu integritāte joprojām ir galvenā problēma, pieprasot SOH novērtēšanu, izmantojot tikai lauka datus, pretēji vēsturiskiem datiem vai kontrolējamos apstākļos [citāts 30, 40, 41]. Viens risinājums ir veikt jaudas kalibrēšanas testu ekspluatācijas laiku beigušos akumulatoru savākšanas vietā, t. i., uzlādes stāvokļa (SOC) kondicionēšana, kas ir vienkārša, taču prasa nepieejamas testēšanas laiku un papildu elektroenerģijas izmaksas. Hibrīda pulsa jaudas raksturojuma tests ir alternatīva SOH novērtēšanai, izmantojot dinamisko pulsa injekciju, taču pilnīgais testu secība aizņem vairāk nekā 12 stundas. Tao et al. izmantoja īsus pulsus SOH novērtēšanai ekspluatācijas laiku beigušajiem akumulatoriem, pieņemot, ka tiek veikta SOC kondicionēšana līdz 5% SOC, kas bija grūti savietojama ar nejaušiem izslēgšanas SOC apstākļiem [citāts 41]. Jaunākie sasniegumi sensoru balstītos mērījumos ietver rentgenstaru attēlveidošanu [citāts 42], elektroķīmisko impedanci [citāts 43, 44], optisko šķiedru sensoriku [citāts 45, 46], akustisko sensoriku [citāts 47, 48], daļēju uzlādi [citāts 49, 50] un pulsa injekciju [citāts 17, 41]. Sensoru balstītas metodes ir laboratorijas stadijā invazīvitātes dēļ, savukārt pulsa injekcija nodrošina akumulatora degradācijas atšķetināšanu bez fiziskiem bojājumiem, vienlaicīgi ātrāk nekā daļējas uzlādes un elektroķīmiskās impedances balstītas metodes [citāts 17, 51, 52, 53, 54, 55]. Tomēr pulsa injekcija ir datu centrēta metode, kas ir iespējama tikai ar ideālu pieņēmumu, ka fizikāli izmērītie dati aptver modeļa izvietošanas fāzes izslēgšanas apstākļus, kas pazīstams kā kopējā domēna nobīdes problēma mašīnmācīšanās kopienā. Neskatoties uz progresu transfērmācīšanās un domēna adaptācijas metodēs [citāts 56, 57, 58], problēmas saglabājas, jo mērķa domēna saskaņošanai joprojām nepieciešama iepriekšēja informācija pēc izvietošanas, un esošās mācīšanās metodes grūti atjaunināt nejaušiem izslēgšanas apstākļiem [citāts 59]. Alternatīva ir datu testēšanas skalas paplašināšana neizpētītos izslēgšanas apstākļos, lai mazinātu datu trūkumu un atšķirības, lai gan tas var palielināt izmaksas. Wang et al. ierosināja temperatūras izrakšanas metodi, lai interpolētu reakcijas kinētiskās izvēles dažādos starpposmu stāvokļos termokīmiskā procesa laikā, ļaujot veidot plašas apmācības datu bāzes ar minimālu termokīmiskās eksperimentālās skalas un izmaksu apjomu kā datu papildinājumu mašīnmācīšanās modeļu apmācībai [citāts 60]. Turklāt ģeneratīvā mācīšanās arī demonstrē iespējas novērtēt SOH ar papildinātiem datiem no daļēji ciklotajiem profiliem, ietaupot nepieciešamos fiziski pārbaudītos datus [citāts 61, 62]. Tomēr datu trūkums un atšķirības akumulatoru atkārtotas izmantošanas un pārstrādes kontekstā ir vēl sarežģītākas, jo ir sajaukums no katoda materiālu tipiem, fiziskiem formātiem, jaudas dizainiem un vēsturiskiem lietojumiem, ierobežojot nosacījumu specifiskas degradācijas zināšanu potenciālo integrāciju mašīnmācīšanās modeļos. Tādējādi ir saprātīgi apsvērt atkarību starp izslēgšanas apstākļiem un pulsa sprieguma reakcijām datu ģenerēšanai, neradot ilgu laika sērijas jaudas kalibrēšanu un papildu fiziskos eksperimentus vienlaicīgi, lai uzlabotu SOH novērtējuma veiktspēju. Šajā pētījumā mēs veicam ekspluatācijas laiku beigušos akumulatoru priekšapstrādi, t. i., SOH novērtēšanu, izmantojot pulsa sprieguma reakcijas datus, ko ģenerējis uzmanības balstīts variāciju autoenkoders, ietaupot fiziskā mērījuma laiku un izmaksas. Vispārējo priekšapstrādes soļu, ģeneratīvā modeļa apmācības un praktiskās modeļa izvietošanas soļu augsta līmeņa process ir parādīts 1. attēlā. Pētījuma ideja ir izmantot ģeneratīvo mācīšanos, lai izmantotu jau izmērītos datus pulsa sprieguma reakciju izpētei nepārtrauktos izslēgšanas apstākļos, t. i., SOC sadalījumā ekspluatācijas laiku beigušos akumulatoru savākšanas posmā. Turpmākā SOH novērtēšana tiek veikta bez fiziski izmērītiem pulsa reakcijas datiem, ietaupot priekšapstrādes elektroenerģijas izmaksas un oglekļa emisijas, kas citādi būtu nepieciešamas SOC kondicionēšanai paredzētajā līmenī. Salīdzinot ar ampērstundas integrēšanas metodi un mašīnmācīšanās pulsa injekciju, ģeneratīvā mācīšanās uzsver ātrāku ģenerēšanas ātrumu un precīzu novērtējumu. Ar ģenerētiem datiem vienkāršs regresors veiksmīgi novērtē SOH ar zemu kļūdu nezināmos vai nepieejamos SOC izslēgšanas apstākļos datu bāzē, kas ir sarežģīta ārpus sadales (OOD) problēma. OOD problēma tiek atrisināta, apgūstot mantoto fizisko modeli starp SOC apstākļiem un sprieguma reakciju, ko izraisa ātrs pulss. Mēs demonstrējam mūsu metodes vispārīgumu, pārbaudot to ar 2700 fizikāli izmērītiem paraugiem, kas aptver 3 katoda materiālu tipus, 3 fiziskos formātus, 4 jaudas dizainus un 4 vēsturiskus lietojumus (1 laboratorijas paātrinātā novecošanās, 1 tīra akumulatora EV braukšana un 2 hibrīda EV braukšanas). Ģeneratīvā mācīšanās ir piemērota interpolācijai un ekstrapolācijai, integrējot iepriekšējas zināšanas par izslēgšanas apstākļiem latentā telpas mērogošanā, ietaupot mērīšanas laiku, elektroenerģijas izmaksas un radušās oglekļa emisijas, neapdraudot SOH novērtēšanas precizitāti. Konservatīvs globāls akumulatoru izslēgšanas gadījuma pētījums 2030. gadā izceļ ātra un ilgtspējīga SOH novērtēšanas nozīmi pirometalurģijas, hidrometalurģijas un tiešās pārstrādes apstākļos. Veicot tehniski ekonomisko analīzi, ģeneratīvā mācīšanās palīdzētais SOH novērtējums līdz 2030. gadam pasaulē varētu ietaupīt 4,9 miljardus USD elektroenerģijas izmaksās un samazināt 35,8 miljardus kg CO2 emisiju. Mēs apspriežam modeļa interpretējamību, pārstrādes priekšapstrādes ietekmi un plašākus nākotnes viedo pārstrādes priekšapstrādes virzienus, kas integrēti ar mašīnmācīšanos. Izslēgto akumulatoru priekšapstrādes soļi ietver SOC kondicionēšanu, fiziskos mērījumus, mašīnmācīšanos SOH diagnostikai un otrās dzīves lēmumu pieņemšanas procesu pirms atkārtotas izmantošanas vai pārstrādes. SOC kondicionēšana attiecas uz ekspluatācijas laiku beigušos akumulatoru SOC līmeņu pielāgošanu vēlamajiem līmeņiem, izmantojot tradicionālo pastāvīgās strāvas pastāvīgā sprieguma (CCCV) metodi. Uzmanības balstīta variāciju autoenkodera shēma pulsa sprieguma reakcijas datu ģenerēšanai. Datu ģenerēšanas modeļa praktiskā izmantošana SOH novērtēšanai neprasa papildu SOC kondicionēšanu. Apmācītais mašīnmācīšanās modelis tiek uzraudzīts ar ģenerētiem datiem un saņem tūlītējas pulsa sprieguma reakcijas izvietošanas fāzē. Ekonomiskie un vides ieguvumi un ātrais ģenerēšanas ātrums mūsu ģeneratīvajai mācīšanās metodikai, ietaupot SOC kondicionēšanas izmaksas 2030. gada pasaules akumulatoru izslēgšanas scenārijā. a b c d Rezultāti Datu iegūšana Datu trūkums un atšķirības ir galvenās problēmas datu virzītās akumulatoru diagnostikas un prognozes jomā, īpaši ekspluatācijas laiku beigušajiem akumulatoriem. Mēs savācām 2700 paraugus no 270 fizikāli izslēgtiem akumulatoriem plašos SOC līmeņos, t. i., no 5% līdz 50% ar 5% soli. 2. attēla a daļā datu kopums aptver 3 izplatītākos katoda materiālu tipus, ieskaitot 119 fizikāli savāktus NMC (niķeļa mangāna kobalta oksīda), 56 LFP (litija dzelzs fosfāta) un 95 LMO (litija mangāna oksīda) ekspluatācijas laiku beigušos akumulatorus, 3 fiziskos formātus (cilindriskos, maisiņos, prizmatiskos) un 4 vēsturiskus lietošanas modeļus (1 laboratorijas paātrināts tests, 3 EV lietojumi, ieskaitot 1 pilnīgi elektrisko piedziņas režīmu un 2 hibrīda piedziņas režīmus). Mēs uzsveram, ka ļoti atšķirīgu testēšanas paraugu iekļaušana padara mūsu datu kopumu par lielāko ātru pulsu balstīto datu kopumu SOH novērtēšanai ekspluatācijas laiku beigušajiem akumulatoriem līdz šim, veicinot modeļa vispārīgumu ārpus fizikāli izmērītajiem datu kopumiem. Sankey diagramma ekspluatācijas laiku beigušos akumulatoru sadalījumam, kas ietver katoda materiālu tipus, fiziskos formātus, jaudas dizainus un vēsturiskos lietojumus. Pulsa strāva un sekojošā sprieguma reakcija ekspluatācijas laiku beigušajiem akumulatoriem, kur pazīmes tiek iegūtas no pagrieziena punktiem, t. i., punktiem ar nulles otrās kārtas atvasinājumu sprieguma reakcijas līknei. Tiek iegūti 21 pazīmes punkts, no U1 līdz U21. Izejisko datu ierakstīšanas biežums ir 100 Hz. Atpūtas laiks starp katru pulsu ir 25 sekundes C-likmē. Ņemiet vērā, ka C apzīmē uzlādes (izlādes) ātrumu, kad tiek veikta 1 stundas uzlāde (izlāde). Apkārtējās vides temperatūra tiek kontrolēta 25 . Veselības stāvokļa (SOH) sadalījums (Gausa sadalījums) 2,1 Ah un 21 Ah ekspluatācijas laiku beigušajiem akumulatoriem ilustrācijai. Attiecībā uz citu tipu akumulatoru SOH sadalījumu skatiet Papildu 1. attēlu. Attiecība starp izmērīto pulsa sprieguma reakciju un kalibrēto SOH no jaudas kalibrēšanas testa, mainot uzlādes stāvokļa (SOC) apstākļus. Ir ilustrēta pirmā pazīmju dimensija, U1. Datu ģenerēšanas gadījuma ilustrācija interpolācijai un ekstrapolācijai dažādos akumulatoru izslēgšanas SOC sadalījumos. Detalizēti testēšanas iestatījumi ir atrodami Papildu piezīmēs 1 un 2, ņemot vērā, ka C-likme ir identiska visiem katoda materiālu tipiem. Avota dati ir pieejami kā avota datu fails. a b c d e Atšķirībā no parastās pastāvīgās strāvas pastāvīgā sprieguma (CCCV) testēšanas, pulsa tests nerada ilgu testēšanas laiku un papildu bojājumus ekspluatācijas laiku beigušajiem akumulatoriem. Tāpēc mēs izmantojam CCCV rezultātus kā SOH etalonu jaudas vērtības. Pulsa testa dati tiek izmantoti kā ģeneratīvā mācīšanās modeļa apmācības dati. Pat ja akumulatora katoda materiāla tips atšķiras, mēs veicam standartizētu un pieejamu pazīmju inženieriju, nodrošinot saderību praktiskā lietošanā. 2. attēls b parāda pazīmju ieguvi pēc pulsa strāvas injekcijas. CCCV un pulsa injekcijas eksperimentālie iestatījumi ir atrodami Papildu 1. piezīmē. Pirmajiem pieciem injicētajiem pulsijiem pagrieziena punkti, t. i., punkti ar nulles otrās kārtas atvasinājumu sprieguma reakcijai, tiek reģistrēti kā pazīmes, iegūstot 21-dimensiju pazīmes. Neskatoties uz pulsa laiku 5 sekunžu līmenī, mēs arī veicam jutīguma mērījumus attiecībā uz pulsa platumu ar diviem mērķiem, lai pārbaudītu pulsa noturību un vēl vairāk saīsinātu testēšanas laiku, sākot no 30 ms līdz 5 s. Mēs apsveram paātrinātu novecošanos laboratorijas testos (Papildu 2. piezīme) un reālu EV braukšanu, lai gan dati par konkrētiem braukšanas profiliem nav pieejami datu konfidencialitātes ierobežojumu dēļ. 2. attēlā c ilustrēts paātrinātās novecošanās akumulatoru (NMC, 2,1 Ah) un tīra akumulatora EV braukšanas novecošanās akumulatoru (NMC, 21 Ah) SOH sadalījums. Ņemot vērā, ka SOH vērtības ir komplementāras plašā SOH reģionā, no 0,6 līdz 1, savāktie dati ir reprezentatīvi akumulatoru izslēgšanas scenārijiem, kā arī ar ekstrēmiem agrīnas izslēgšanas gadījumiem. LMO (10 Ah) un LFP (35 Ah) akumulatoru SOH sadalījumi aptver plašu SOH sadalījumu, skatiet Papildu 1. attēlu. Pulsa testi tiek atkārtoti dažādos SOC līmeņos, sākot no 5% līdz 50%, lai simulētu nejaušību izslēgto akumulatoru savākšanā. Testētais SOC reģions ir balstīts uz pieņēmumu, ka ekspluatācijas laiku beigušajiem akumulatoriem ir zems SOC vai tie tiek pakļauti piespiedu izlādei drošas stacionāras noliktavas uzglabāšanas prasībām, tāpēc SOC augšējā robeža ir noteikta 50%. 2. attēlā d ilustrēta pirmā dimensija, kas iegūta no paātrinātās novecošanās akumulatoriem (NMC, 2,1 Ah) un EV braukšanas novecošanās akumulatoriem (NMC, 21 Ah). Neskatoties uz atšķirībām jaudas dizainos un vēsturiskos lietojumos, pulsa sprieguma reakcijas parāda konsekventu degradācijas modeli, tāpat kā citiem ekspluatācijas laiku beigušajiem akumulatoriem citās pazīmju dimensijās, skatiet Papildu attēlus 2–5. Tomēr ekspluatācijas laiku beigušos akumulatoru SOC sadalījums ir nepārtraukts, un tāpēc to nevar izsmelt ar fiziskiem mērījumiem. Tā vietā, lai paplašinātu datu testēšanas skalu, mēs izmantojam jau pārbaudītus pulsa sprieguma reakcijas datus, lai ģenerētu daudzveidīgākus datus dažādos SOC apstākļos. 2. attēlā e ilustrēti divi ģenerēšanas scenāriji, t. i., interpolācija un ekstrapolācija, ar vienības kondicionēšanas ietaupījumiem, elektroenerģijas ietaupījumiem, CO2 emisiju samazinājumiem un to aprēķināšanas metodēm, kas sniegtas Papildu tabulās 1–3. Pulsa sprieguma reakcijas datu ģenerēšana Mēs vispirms apsveram jau izmērīto pulsa sprieguma reakcijas datu izmantošanu, lai tos rekonstruētu, nevis tieši ģenerētu jaunus datu paraugus. Rekonstrukcija nozīmē, ka izmērītie dati vispirms tiek saspiesti latentā mainīgā telpā, vienlaikus saglabājot sākotnējām statistiskajām izplatībām apgūto struktūru (Papildu 6. attēls) un pēc tam tiek dekompresēti līdz sākotnējām dimensijām. Šajā pētījumā rekonstrukcija ir līdzvērtīga enkoderu neironu tīkla modeļa un dekoderu neironu tīkla apmācības fāzes uzraudzībai, kā parādīts 1. attēla b daļā. Galvenā ideja ir līdzsvarot ierobežoto izmērīto datu izmantošanu un paplašinātās datu telpas izpēti, izmantojot latentās atkarības starp izslēgšanas apstākļiem un pulsa sprieguma reakcijas datiem ar krusteniskās uzmanības mehānismiem, skatiet "Metodes". Pēc tam izmērītie dati, kas sapludināti ar nosacījuma informāciju, tiek padoti enkoderu neironu tīklam, iegūstot latentus mainīgos, kas satur izslēgšanas apstākļus. Saspiestie latentie mainīgie tiek dekompresēti, apmācot dekoderu neironu tīkla modeli un rekonstruējot ievades datu paraugus, ko vada arī uz priekšu vērsti izslēgšanas apstākļi. Cits dekoderu neironu tīkla ievade ir tikai nejaušs troksnis, kas pakļauts Gausa pieņēmumam (Papildu 7. attēls), neradot fiziskus eksperimentālus mērījumus, kas citādi ietver papildu testēšanas laiku, enerģijas patēriņu un pat drošības riskus. 3. attēls a parāda datu rekonstrukcijas rezultātus pirmajai pazīmju dimensijai U1 pie izvēlētajiem SOC vērtībām (35% un 50%), ar MAPE zem 1%, norādot, ka modelis ir apguvis atkarības starp pulsa sprieguma reakcijas datiem un SOC apstākļiem. Šādas atkarības ir vispārīgas plašā SOH diapazonā, no 0,6 līdz 0,95. Attiecībā uz citām pazīmju dimensijām datu rekonstrukcijas rezultāti joprojām ir apmierinoši, ar MAPE zem 1%, skatiet 3. attēla b daļu. Rekonstrukcijas rezultāti citiem ekspluatācijas laiku beigušajiem akumulatoru tipiem (NMC, 21 Ah, LMO, 10 Ah un LFP, 35 Ah) ir parādīti Papildu attēlos 8–10, demonstrējot modeļa vispārīgumu un elastību. Jāatzīmē, ka zemāki SOC reģioni parāda salīdzinoši augstāku rekonstrukcijas MAPE, lai gan joprojām zem 1%, ko var racionalizēt ar polarizācijas reakcijas jutīgumu zemā SOC reģionā. Tāpēc ieteicams veikt pulsa injekciju vidējā SOC reģionā, lai nodrošinātu uzticamu akumulatora degradācijas attēlojumu. Tomēr, kā mēs uzs