```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autori: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Šengju Tao Ruifei Ma Dži Džao Guanjujuan Ma Lin Su Heng Čang Juou Čen Haidžou Liu Dženg Liang Tingvej Cao Haoceng Dzi Džiujuan Han Minjan Lu Hujsiun Jan Dzon Guo Ven Džjan Hua Jao Rong Ju Guodanas Vei Jan Li Sjuan Džang Tingjan Sju Guanmin Džou Kopsavilkums Ātra un precīza izlietoto akumulatoru veselības stāvokļa (SOH) novērtēšana ir ļoti svarīga pirmsapstrādes darbība atkārtotai izmantošanai un pārstrādei. Tomēr datu virzītajām metodēm nepieciešama izsmeļoša datu kurēšana nejaušos SOH un uzlādes stāvokļa (SOC) izslēgšanas apstākļos. Šeit mēs parādām, ka ģeneratīvās mācīšanās palīdzība SOH novērtēšanā ir daudzsološa, lai atvieglotu datu trūkuma un atšķirību problēmas, ko apstiprina 2700 izlietoto litija jonu akumulatoru paraugu impulsu injekcijas datu kopa, kas aptver 3 katoda materiālu veidus, 3 fiziskos formātus, 4 jaudas dizainus un 4 vēsturiskus lietojumus ar 10 SOC līmeņiem. Izmantojot ģenerētos datus, regresors veic precīzu SOH novērtēšanu, ar vidējo absolūto procentuālo kļūdu zem 6% nezināmos SOC apstākļos. Mēs prognozējam, ka, pieņemot vienotu piedāvātās metodes izmantošanu, tas ietaupīs 4,9 miljardus USD elektrības izmaksās un 35,8 miljardus kg CO2 emisiju, mazinot datu kurēšanas izmaksas pasaules mēroga akumulatoru izslēgšanas scenārijam 2030. gadā. Šis darbs izceļ ierobežotu datu izmantošanu, lai ar ģeneratīvām metodēm izpētītu paplašinātu datu telpu, ņemot vērā, ka datu iegūšana var būt laikietilpīga, dārga un piesārņojoša daudziem novērtēšanas un prognozēšanas uzdevumiem. Ievads Transporta elektrifikācija, kas ir kritisks sektors zema oglekļa satura enerģijas pārejā , ir nepieredzēti mainījusi fosilo kurināmo bāzēto transporta paradigmu. Litija jonu akumulatori ir ļoti svarīgi šai pārejai, nodrošinot pieejamu, izturīgu un drošu enerģijas piegādi elektriskajiem transportlīdzekļiem (EV) , . Kopējā lietoto un izbeigušos EV akumulatoru jauda līdz 2050. gadam pārsniegs 32–62 teravatus, ievērojami vairāk nekā Starptautiskās atjaunojamās enerģijas aģentūras un Storage Lab scenāriju aplēses . Tomēr izlietotie EV akumulatori ir stingri regulēti ar lielu atlikušo vērtību, kas parasti pārsniedz 80% no nominālās jaudas , . Ja tie netiek apstrādāti pareizi, tas rada ekonomisku slogu  ražotājiem un lietotājiem, kā arī turpmākas vides un sabiedrības problēmas , tostarp resursu izšķērdēšanu, piegādes ķēdes riskus un oglekļa emisijas , , . 1 2 3 4 5 6 7 8 9 10 11 Daudzsološas stratēģijas, lai risinātu problēmas saistībā ar akumulatoru izslēgšanas periodisko pieaugumu, ir atkārtota izmantošana , ,  un pārstrāde . Atkārtotā izmantošanā izlietotos akumulatorus pārveido lietojumiem, piemēram, tīklam pievienotām enerģijas uzglabāšanas sistēmām , dzīvojamo māju elektroapgādei  un lēnas kustības transportlīdzekļiem. Tomēr atkārtota izmantošana prasa sākotnējo pirmsapstrādi, ieskaitot konsistences pārbaudi , jaudas šķirošanu  un pārgrupēšanu ,  lai atbilstu lietojumprogrammu prasībām . Neskatoties uz pilotprogrammu uzsākšanu , , , stingru standartu trūkums lietošanas scenārijiem un izslēgšanas ceļiem kavē atlikušās jaudas racionālu izmantošanu . Pārstrāde alternatīvi izmanto izlietoto akumulatoru atlikušās vērtības, izmantojot materiālu ieguvi vai strukturālu remontu , , piemērota neatgriezeniski degradētiem izlietotiem akumulatoriem. Salīdzinot ar pirometalurģiju un hidrometalurģiju , , tiešā pārstrāde izceļas ar labāku rentabilitāti, zemāku enerģijas patēriņu un samazinātām oglekļa emisijām , , . Izmantojot litija papildināšanu un katoda materiālu pēcapstrādi, tiešā pārstrāde nodrošina efektīvu materiālu struktūras remontu un veiktspējas atjaunošanu . Tomēr veselības stāvoklis (SOH) nosaka nepieciešamo ķīmisko reaģentu un paredzamo litija papildināšanas devu tiešās pārstrādes stratēģiju formulējumos , , . Nepietiekama deva var izraisīt nepilnīgu remontu, savukārt pārmērīga deva var radīt atlikušā sārma veidošanos uz katoda virsmas, pasliktinot atjaunošanas veiktspēju , . Diemžēl SOH atgūšana prasa invazīvu materiālu raksturojumu ,  un ilgas jaudas kalibrēšanas pārbaudes, neinvazīva, ātra un ilgtspējīga SOH iegūšana joprojām ir aktuāla problēma. 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 Lai nodrošinātu konsekventu SOH informāciju, EV akumulatori tiek uzraudzīti, un ekspluatācijas dati tiek reģistrēti ar mākoņu platformām  un akumulatoru pasēm . Eiropas Parlaments 2023. gada 14. jūnijā pieņēma Akumulatoru direktīvu, lai nodrošinātu, ka izlietotos akumulatorus var atkārtoti izmantot, atjaunot vai pārstrādāt ekspluatācijas beigās . Tomēr prasītais uzraudzības un reģistrēšanas process ir pieejams tikai EV servisa fāzē, izlietotie akumulatori vairs nav savienoti ar transportlīdzekļa uzraudzības bloku. 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 , , . Viens risinājums ir veikt jaudas kalibrēšanas testu izlietoto akumulatoru savākšanas laukumā, t.i., uzlādes stāvokļa (SOC) kondicionēšana, kas ir vienkārša, taču prasa nepieejami ilgu testēšanas laiku un papildu elektroenerģijas izmaksas. Hibrīda impulsu jaudas raksturojuma tests ir alternatīva SOH novērtēšanai, veicot dinamisku impulsu injekciju, taču pilnīgais testu secība aizņem vairāk nekā 12 stundas. Tao et al. izmantoja īsus impulsus izlietoto akumulatoru SOH novērtēšanai, pieņemot, ka tika veikta SOC kondicionēšana līdz 5% SOC, kas bija grūti saderīga ar nejaušiem izslēgšanas SOC apstākļiem . Jaunākie sasniegumi sensoru bāzētajos mērījumos ietver rentgenogrāfiju , elektroķīmisko pretestību , , optisko šķiedru sensoriku , , akustisko sensoriku , , daļēju uzlādi ,  un impulsu injekciju , . Sensoru bāzētās metodes ir laboratorijas stadijā invazivitātes dēļ, savukārt impulsu injekcija atšķir akumulatora degradāciju bez fiziskiem bojājumiem, vienlaikus ātrāk nekā daļējas uzlādes un elektroķīmiskās pretestības metodes , , , , , . Tomēr impulsu injekcija ir uz datiem balstīta metode, kas ir iespējama tikai pie ideālas pieņēmuma, ka fiziski izmērītie dati aptver modeļa izvietošanas fāzes izslēgšanas apstākļus, kas pazīstams kā izplatīta domēna pārejas problēma mašīnmācīšanās kopienā. Neskatoties uz sasniegumiem pārejas mācīšanās un domēna adaptācijas metodēs , , , problēmas saglabājas, jo mērķa domēna saskaņošana joprojām prasa iepriekšēju informāciju pēc izvietošanas, un esošās mācīšanās metodes ir grūti atjaunināt nejaušiem izslēgšanas apstākļiem . Alternatīva ir datu testēšanas mēroga paplašināšana neizzinātos 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 preferences dažādos starpstāvokļos termohīmiskā procesa laikā, ļaujot konstruēt plašas apmācības datubāzes ar minimālu termohīmisko eksperimentu mērogu un izmaksām kā datu papildināšanu mašīnmācīšanās modeļa apmācībai . Turklāt ģeneratīvā mācīšanās arī demonstrē iespējas SOH novērtēšanai ar papildinātiem datiem no daļēji ciklētiem profiliem, ietaupot nepieciešamos fiziski pārbaudītos datus , . Tomēr datu trūkums un atšķirības akumulatoru atkārtotās izmantošanas un pārstrādes kontekstā ir vēl sarežģītākas, pateicoties dažādu katoda materiālu veidu, fizisko formātu, jaudas dizainu un vēsturiskās izmantošanas maisījumam, ierobežojot nosacījumu specifisku degradācijas zināšanu potenciālo integrāciju mašīnmācīšanās modeļos. Tādējādi ir saprātīgi apsvērt atkarības attiecības starp izslēgšanas apstākļiem un impulsu sprieguma reakcijām datu ģenerēšanai, neradot ilgu laika sēriju jaudas kalibrēšanu un papildu fiziskus eksperimentus vienlaicīgi, lai uzlabotu SOH novērtēšanas veiktspēju. 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 Šajā pētījumā mēs veicam izlietoto akumulatoru pirmsapstrādi, t.i., SOH novērtēšanu, izmantojot impulsa sprieguma reakcijas datus, ko ģenerējis uzmanības variācijas automātiskais kodētājs, ietaupot fiziskus mērīšanas laiku un izmaksas. Vispārējo pirmsapstrādes 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 impulsu sprieguma reakciju izpētei nepārtrauktos izslēgšanas apstākļos, t.i., SOC sadalījumu izlietoto akumulatoru savākšanas stadijā. Turpmākā SOH novērtēšana tiek veikta bez fiziski izmērītiem impulsu reakcijas datiem, ietaupot pirmsapstrādes elektroenerģijas izmaksas un oglekļa emisijas, kas citādi būtu nepieciešamas, kondicionējot SOC līdz paredzētajam līmenim. Salīdzinot ar ampēra-stundas integrācijas metodi un mašīnmācīšanās impulsu injekciju, ģeneratīvā mācīšanās uzsver ātrāku ģenerēšanas ātrumu un precīzu novērtēšanu. Ar ģenerētiem datiem vienkāršs regresors veiksmīgi novērtē SOH ar zemu kļūdu nezināmos vai nepieejamos SOC izslēgšanas apstākļos datubāzē, kas ir sarežģīta ārpus sadales (OOD) problēma. OOD problēma tiek atrisināta, mācoties iedzimto fizisko modeli starp SOC stāvokli un sprieguma reakciju, ko izraisa ātrs impulss. Mēs demonstrējam mūsu metodes visaptveramību, pārbaudot to ar 2700 fiziski izmērītiem paraugiem, kas aptver 3 katoda materiālu veidus, 3 fiziskos formātus, 4 jaudas dizainus un 4 vēsturiskus lietojumus (1 laboratorijas paātrināta novecošana, 1 tīrs elektriskā transportlīdzekļa braukšana un 2 hibrīda transportlīdzekļa braukšanas veidi). Ģeneratīvā mācīšanās ir piemērota interpolācijai un ekstrapolācijai, integrējot iepriekšējās zināšanas par izslēgšanas apstākļiem slēptajā telpas mērogošanā, ietaupot mērīšanas laiku, elektroenerģijas izmaksas un attiecīgās oglekļa emisijas, nezaudējot SOH novērtēšanas precizitāti. Konservatīvs globāls akumulatoru izslēgšanas gadījumu pētījums 2030. gadā izceļ ātru un ilgtspējīgu SOH novērtēšanas nozīmi pirometalurģiskos, hidrometalurģiskos un tiešās pārstrādes apstākļos. Caur tehniski-ekonomisko analīzi ģeneratīvās mācīšanās palīdzība SOH novērtēšana varētu ietaupīt 4,9 miljardus USD elektroenerģijas izmaksās un 35,8 miljardus kg CO2 emisiju līdz 2030. gadam pasaulē. Mēs apspriežam modeļa interpretējamību, pārstrādes pirmsapstrādes sekas un plašākus nākotnes viedo pārstrādes pirmsapstrādes virzienu aspektus, kas integrēti ar mašīnmācīšanos. 1    Izlietoto akumulatoru pirmsapstrādes soļi ietver SOC kondicionēšanu, fiziskus mērījumus, mašīnmācīšanos SOH diagnostikai un otrās dzīves lēmumu pieņemšanas procesu pirms atkārtotas izmantošanas vai pārstrādes. SOC kondicionēšana attiecas uz izlietoto akumulatoru SOC vērtību pielāgošanu vēlamajiem līmeņiem, izmantojot tradicionālo pastāvīgās strāvas pastāvīgā sprieguma (CCCV) metodi.   Uzmanības variācijas automātiskā kodētāja shēma impulsu sprieguma reakcijas datu ģenerēšanai.   Datu ģenerēšanas modeļa praktiskai izmantošanai SOH novērtēšanai nav nepieciešama papildu SOC kondicionēšana. Apmācītais mašīnmācīšanās modelis tiek uzraudzīts ar ģenerētiem datiem un saņem tūlītējas impulsu sprieguma reakcijas izvietošanas fāzē.   Mūsu ģeneratīvās mācīšanās metodoloģijas ekonomiskie un vides ieguvumi un ātrais ģenerēšanas ātrums, ietaupot SOC kondicionēšanas izmaksas 2030. gada pasaules mēroga akumulatoru izslēgšanas scenārijā. a b c d Rezultāti Datu iegūšana Datu trūkums un atšķirības ir galvenās problēmas datu virzītajā akumulatoru diagnostikā un prognozēšanā, īpaši izlietotiem akumulatoriem. Mēs savācām 2700 paraugus no 270 fiziski izlietotiem akumulatoriem plašā SOC līmenī, t.i., no 5% līdz 50% ar 5% soli. 2. attēlā,  , datu kopā ir iekļauti 3 izplatīti katoda materiālu veidi, ieskaitot 119 fiziski savāktus NMC (niķeļa mangāna kobalta oksīda), 56 LFP (litija dzelzs fosfāta) un 95 LMO (litija mangāna oksīda) izlietotos akumulatorus, 3 fiziskie formāti (cilindriski, maisiņu, prizmatiski) un 4 vēsturiskās izmantošanas modeļi (1 laboratorijas paātrināts tests, 3 EV lietojumi, ieskaitot 1 pilnībā elektrificētu spēka piedziņas režīmu un 2 hibrīda spēka piedziņas režīmus). Mēs uzsveram, ka ļoti atšķirīgu testēšanas paraugu iekļaušana padara mūsu datu kopu par lielāko ātru impulsu bāzētu datu kopu SOH novērtēšanai izlietotiem akumulatoriem līdz šim, veicinot modeļa visaptveramību ārpus fiziski izmērītajām datu kopām. 2a    Sankey diagramma izlietoto akumulatoru sadalījumam, kas ietver katoda materiālu veidus a

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

Šis audio ir izveidots stāsta oriģinālvalodā!

Ģeneratīvā mākslīgā intelekta tehnoloģija veicina izbeigtu litija jonu bateriju ilgtspējīgu atkārtotu izmantošanu

About Author

KOMENTĀRI

PAKARINĀT TAGUS

ŠIS RAKSTS TIKS PĀRSTRĀDĀTS

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps