Generative AI нь хуучин лити-ион батерейг тогтвортой дахин ашиглах боломжийг олгодог

Зохиогчид: Шенгю Тао Руйфей Ма Зикси Жао Гуангиуан Ма Лин Су Хенг Чан Юоу Чен Хайжоу Лю Женг Лян Тингвей Цао Хаоченг Жи Жиюан Хан Минян Лу Хуйсионг Ян Зонггуо Вэн Жианхуа Яо Ронг Ю Гуодан Вэй Янг Ли Суан Жан Тингян Сю Гуангимин Жоу Хураангуй Ашиглалтаас гарсан батерейны төлөв байдлыг (SOH) хурдан шуурхай, үнэн зөв тодорхойлох нь дахин ашиглах, дахин боловсруулахын өмнө зайлшгүй хийгдэх бэлтгэл ажил юм. Гэсэн хэдий ч мэдээлэлд суурилсан аргууд нь санамсаргүй SOH болон цэнэглэлтийн төлөв (SOC) байдлын үед нарийвчилсан мэдээлэл цуглуулах шаардлагатай байдаг. Энд бид үүсгэх сургалтаар дамжуулан SOH тодорхойлох нь мэдээллийн хомсдол, төрөл бүрийн байдлын сорилтыг шийдвэрлэхэд амлалт өгдөг болохыг харуулж байна. Үүнийг 2700 ашиглалтаас гарсан лити-ион батерейны дээжийн импульсийн шахалтын өгөгдлөөр баталгаажуулсан бөгөөд энэ нь 3 катодын материалын төрөл, 3 физик хэлбэр, 4 хүчин чадлын загвар, 10 SOC түвшний 4 түүхэн хэрэглээг хамардаг. Үүсгэсэн өгөгдлийг ашиглан регрессор нь үл мэдэгдэх SOC-ийн нөхцөлд 6% -иас доош дундаж хувийн буруутай байдлаар SOH-ийг үнэн зөв тодорхойлох боломжтой. Бидний санал болгосон аргыг жигд нэвтрүүлсэн гэж үзвэл, энэ нь 2030 оны дэлхийн хэмжээний батерейны дахин боловсруулалтын хувьд мэдээлэл цуглуулах зардлыг бууруулснаар цахилгааны зардлыг 4.9 тэрбум доллараар хэмнэж, 35.8 тэрбум кг CO2 ялгарлыг бууруулна гэж таамаглаж байна. Энэхүү өгүүлэл нь олон тооны тодорхойлолт болон урьдчилсан таамаглалын ажлуудад мэдээлэл цуглуулах нь цаг хугацаа их шаарддаг, үнэтэй, бохирдол үүсгэдэг байдлыг харгалзан, үүсгэх аргуудаар дамжуулан хязгаарлагдмал мэдээллийг ашиглан өргөжүүлсэн мэдээллийн орон зайг судлах боломжийг онцолж байна. Танилцуулга Тээврийн хэрэгслийн цахилгаанжуулалт нь бага нүүрстөрөгчтэй эрчим хүчний шилжилтийн чухал салбар юм , энэ нь чулуулгийн түлшний суурьтай тээврийн парадигмыг урьд өмнө хэлэгдээгүйгээр өөрчилж байна. Лити-ион батерей нь цахилгаан тээврийн хэрэгсэл (EV) -д боломжийн үнэтэй, удаан эдэлгээтэй, аюулгүй эрчим хүчээр хангах замаар энэхүү шилжилтэд чухал үүрэг гүйцэтгэдэг , . Ашиглалтанд байгаа болон ашиглалтаас гарсан EV батерейны нийт хүчин чадал нь 2050 он гэхэд 32–62 тераватт-цагийг давна гэж таамаглаж байгаа бөгөөд энэ нь Олон улсын сэргээгдэх эрчим хүчний агентлаг болон Хадгаламжийн лабораторийн үнэлгээнээс хамаагүй өндөр байна . Гэсэн хэдий ч ашиглалтаас гарсан EV батерей нь их хэмжээний үлдэгдэл хүчин чадалтай хэдий ч ихэвчлэн 80% -ийн үзүүлэлттэй байдаг нь доод хэмжээнд нь ашиглагддаггүй , . Хэрэв зөв зохицуулагдахгүй бол энэ нь үйлдвэрлэгчид болон хэрэглэгчдэд эдийн засгийн ачааг , мөн нөөцийн үрэлгэн, нийлүүлэлтийн гинжин хэлхээний эрсдэл, нүүрстөрөгчийн ялгарал , тухайлбал нөөцийн үрэлгэн, нийлүүлэлтийн гинжин хэлхээний эрсдэл, нүүрстөрөгчийн ялгарал , , зэрэг дараагийн байгаль орчин, нийгмийн асуудлуудад хүргэдэг. 1 2 3 4 5 6 7 8 9 10 11 Батерейны огцом нэмэгдэлтэй холбоотой асуудлуудыг шийдвэрлэхэд тустай арга замууд нь дахин ашиглах , , болон дахин боловсруулах юм. Дахин ашиглах тохиолдолд ашиглалтаас гарсан батерейг ашигладаг бөгөөд энэ нь сүлжээнд холбогдсон эрчим хүч хадгалах төхөөрөмж , орон сууцны цахилгаан хангамж , бага хурдтай тээврийн хэрэгсэл зэрэгт дахин зохион байгуулдаг. Гэсэн хэдий ч дахин ашиглах нь тохирох байдлыг шалгах , хүчин чадлыг ангилах , дахин бүлэглэх , зэрэг урьдчилсан бэлтгэл шаарддаг. Хэдийгээр туршилтын хөтөлбөрүүд эхлүүлсэн боловч , , , хэрэглээний нөхцөл байдал болон ашиглалтаас гарах замуудын талаар нарийн стандарт байхгүйн улмаас үлдэгдэл хүчин чадлыг зохистой ашиглах нь хязгаарлагдмал байна . Нөгөө талаар, дахин боловсруулах нь ашигт малтмал олборлох эсвэл бүтэцийг засварлах замаар ашиглалтаас гарсан батерейны үлдэгдэл үнэ цэнийг ашигладаг , бөгөөд бүрэн гэмтсэн ашиглалтаас гарсан батерейнд тохиромжтой. Пирометаллург болон гидрометаллургтай , харьцуулахад шууд дахин боловсруулалт нь илүү ашигтай, бага эрчим хүч зарцуулдаг, нүүрстөрөгчийн ялгарал багатай байдгаараа давуу талтай , , . Лити нэмэлт болон катодын материалын дараах боловсруулалтыг ашигласнаар шууд дахин боловсруулалт нь материалын бүтцийг үр дүнтэй засварлах, гүйцэтгэлийг сэргээх боломжтой . Гэсэн хэдий ч, эрүүл мэндийн төлөв (SOH) нь шууд дахин боловсруулах стратегид шаардлагатай химийн урвал ба таамагласан лити нэмэлтийн тунг тодорхойлдог , , . Хэрэв тунг хангалтгүй өгвөл бүрэн бус засвар хийгдэж болно, харин хэтрүүлэн өгвөл катодын гадаргуу дээр шүлт үүсгэж, сэргээлтийн гүйцэтгэлийг муутгах болно , . Харамсалтай нь, SOH-ийг олж авахын тулд инвазив материал шинжлэх , болон удаан үргэлжлэх хүчин чадлын тохиргооны туршилтууд шаардлагатай байдаг тул инвазив бус, хурдан, тогтвортой SOH ололт нь шийдэгдээгүй сорилт хэвээр байна. 6 12 13 14 15 16 17 18 19 20 22 23 24 25 26 27 28 29 26 27 30 31 32 33 34 27 35 36 37 Тогтвортой SOH мэдээллийг баталгаажуулахын тулд EV батерейг хянадаг бөгөөд үйл ажиллагааны мэдээллийг цахим платформ болон батерейны паспорт -аар бүртгэдэг. Европын Парламент 2023 оны 6-р сарын 14-нд Батерейны тухай удирдамжийг баталсан бөгөөд энэ нь ашиглалтаас гарсан батерейг ашиглалтын хугацаа дууссаны дараа дахин ашиглах, сэргээх эсвэл дахин боловсруулах боломжийг баталгаажуулдаг . Гэсэн хэдий ч шаардлагатай хяналт, бүртгэлийн журам нь зөвхөн EV үйлчилгээний үе шатанд хамаатай бөгөөд ашиглалтаас гарсан батерей нь машины доторх хяналтын нэгжид холбогдоогүй байдаг. Тиймээс талбайн SOH мэдээллийг олж авах нь хэцүү байдаг. Ашиглалтын хугацааны мэдээллийн бүрэн бүтэн байдал нь гол сорилт хэвээр байгаа бөгөөд энэ нь хяналттай нөхцөл эсвэл түүхэн мэдээллийн эсрэг , , талбайн мэдээллийг ашиглан SOH тодорхойлох шаардлагатай болдог. Нэг шийдэл нь ашиглалтаас гарсан батерейны цуглуулах талбайд хүчин чадлыг тохируулах туршилт хийх явдал юм, өөрөөр хэлбэл, state of charge (SOC) тохиргоо хийх нь энгийн боловч энэ нь үнэтэй туршилтын хугацаа болон нэмэлт цахилгааны зардлыг шаарддаг. Динамик импульсийн шахалтыг ашиглан SOH тодорхойлохын тулд гибрид импульсийн эрчим хүчний тодорхойлолтын туршилт нь нэг хувилбар боловч бүрэн туршилтын дараалал 12 цагаас илүү хугацаа шаарддаг. Тао болон бусад судлаачид богино импульсийг ашиглан ашиглалтаас гарсан батерейны SOH тодорхойлж, 5% SOC байдалтай SOC тохиргоо хийсэн гэж таамаглаж байсан бөгөөд энэ нь санамсаргүй тэтгэвэрт гарах SOC нөхцөлд бараг л нийцэхгүй . Сүүлийн үеийн мэдрэгч дээр суурилсан хэмжилтүүд нь рентген зураглал , электрохимийн импеданс , , оптик утас мэдрэгч , , акустик мэдрэгч , , хэсэгчилсэн цэнэглэлт , , импульсийн шахалт , зэрэг дэвшилтэт технологиуд багтдаг. Мэдрэгч дээр суурилсан аргууд нь инвазив шинж чанартай тул лабораторийн шатанд байгаа бол импульсийн шахалт нь бие махбодийн гэмтэлгүйгээр батерейны доройтлыг тайлах чадвартай бөгөөд энэ нь хэсэгчилсэн цэнэглэлт ба электрохимийн импеданс дээр суурилсан аргуудаас илүү хурдан юм , , , , , . Гэсэн хэдий ч импульсийн шахалт нь өгөгдөл төвтэй арга бөгөөд энэ нь зөвхөн бие махбодийн хэмжилт хийсэн өгөгдөл нь загвар нэвтрүүлэх үеийн нөхцлүүдийг хамарна гэсэн тохиромжтой таамаглал дор л боломжтой байдаг. Энэ нь машин сургалтын нийгэмлэгт domain shift-ийн нийтлэг сорилт гэгддэг. Transfer learning болон domain adaption аргууд дахь ахиц дэвшлээс үл хамааран , , , зорилтот домэйн нь нэвтрүүлэх үед урьдчилсан мэдлэг шаарддаг тул болон одоо байгаа сургалтын аргууд нь санамсаргүй нөхцлүүдэд бараг л шинэчлэгдэх боломжгүй тул сорилтууд хэвээр байна . Нэг шийдэл нь өртгийг нэмэгдүүлж болох боловч нээгдээгүй нөхцөл байдалд өгөгдөл туршилтын хэмжээг өргөжүүлэх явдал юм. Ван болон бусад судлаачид дулааны химийн үйл явцын явцад янз бүрийн завсрын төлөв дэх урвалын кинетикийн илүү дуртай байдлыг тодорхойлохын тулд температурыг ухаж авах аргыг санал болгосон бөгөөд энэ нь машин сургалтын загварыг бэлтгэхэд өгөгдөл нэмэгдүүлэх зорилгоор хамгийн бага дулааны химийн туршилтын хэмжээ, өртгөөр өргөн сургалтын мэдээллийн санг бий болгох боломжийг олгодог . Үүнээс гадна, үүсгэх сургалт нь бага хэмжээний туршигдсан батерейны профайлуудаас нэмэгдсэн өгөгдлийг ашиглан SOH тодорхойлох боломжийг харуулж, шаардлагатай бие махбодийн туршигдсан өгөгдлийг хэмнэдэг , . Гэсэн хэдий ч, батерейны дахин ашиглалт ба дахин боловсруулалтын контекст дэх өгөгдлийн хомсдол ба төрөл бүрийн байдал нь катодын материалын төрөл, физик хэлбэр, хүчин чадлын загвар, түүхэн хэрэглээний хослолоос болж илүү төвөгтэй байдаг бөгөөд энэ нь нөхцөл байдлын онцлог шинж чанарыг машин сургалтын загварт нэгтгэх боломжийг хязгаарладаг. Тиймээс, урт хугацааны цахилгаан хэмжээний тохиргоо болон нэмэлт бие махбодийн туршилтыг хийхгүйгээр өгөгдөл үүсгэх зорилгоор нөхцөл байдал болон импульсийн хүчдэлийн хариу урвалын хоорондох хамаарлыг авч үзэх нь SOH тодорхойлох гүйцэтгэлийг сайжруулахад үндэслэлтэй юм. 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 Энэхүү судалгаанд бид ашиглалтаас гарсан батерейг урьдчилж бэлтгэх, тухайлбал, SOH тодорхойлох ажлыг хийж гүйцэтгэсэн бөгөөд энэ нь хадгаламжийн бие махбодийн хэмжих хугацаа болон өртгийг хэмнэх байдлаар импульсийн хүчдэлийн хариу урвалын өгөгдлөөр дамжуулан хийгдсэн. Attentional variational autoencoder-ийн тусламжтайгаар. Ерөнхий урьдчилсан бэлтгэл алхмууд, үүсгэх загвар сургалт, практик загвар нэвтрүүлэх алхмуудын өндөр түвшний үйл явцыг Зурагт үзүүлэв. . Судалгааны санаа нь импульсийн хүчдэлийн хариу урвалын хайгуулыг тасралтгүй нөхцлүүдэд, тухайлбал, ашиглалтаас гарсан батерей цуглуулах үе шатанд SOC хуваарилалтыг ашиглан үүсгэсэн сургалтыг ашиглан өгөгдлийг бий болгох явдал юм. Дараагийн SOH тодорхойлолтыг бие махбодийн хэмжигдсэн импульсийн хариу урвалгүйгээр гүйцэтгэдэг бөгөөд энэ нь SOC-ийг урьдчилан тохируулах явцад шаардлагатай байдаг урьдчилсан бэлтгэлийн цахилгаан зардал болон нүүрстөрөгчийн ялгарлыг хэмнэдэг. Ампер-цагийн интеграл арга болон машин сургалтын импульсийн шахалтыг бодвол үүсгэх сургалт нь илүү хурдан үүсгэх хурд болон нарийвчилсан тодорхойлолтыг онцолдог. Үүсгэсэн өгөгдлөөр, энгийн регрессор нь мэдээллийн санд үл мэдэгдэх эсвэл хандах боломжгүй SOC нөхцлүүдэд бага алдаатай SOH-ийг амжилттай тодорхойлдог бөгөөд энэ нь тархалтаас гадуурх (OOD) асуудал юм. OOD асуудлыг SOC нөхцөл ба хурдан импульсийн улмаас үүссэн хүчдэлийн хариу урвалын хоорондох уламжлалт физик дүрмийг сурснаар шийдвэрлэдэг. Бид 2700 бие махбодийн хэмжигдсэн дээжээр, 3 катодын материалын төрөл, 3 физик хэлбэр, 4 хүчин чадлын загвар, 4 түүхэн хэрэглээг (1 лабораторийн түргэвчилсэн хөгшрөлт, 1 цэвэр EV жолоодлого, болон 2 гибрид EV жолоодлого) хамарсан манай аргын ерөнхий чанарыг баталгаажуулж байна. Үүсгэх сургалт нь шинээр үүсгэгдсэн өгөгдлийг ашиглан латент орон зайг өргөжүүлэх замаар нөхцөл байдлын талаархи урьдчилсан мэдлэгийг нэгтгэн, дамжуулалт болон экстраполяцийн чадвартай бөгөөд хэмжих хугацаа, цахилгааны зардал, улмаар нүүрстөрөгчийн ялгарлыг хэмнэж, SOH тодорхойлох нарийвчлалыг алдагдуулахгүй. Батерейг дахин боловсруулах талаарх нэг консерватив дэлхийн жишээний судалгаа нь пирометаллург, гидрометаллург, шууд дахин боловсруулах нөхцөл байдалд хурдан бөгөөд тогтвортой SOH тодорхойлох ач холбогдлыг онцолдог. Техник-эдийн засгийн шинжилгээгээр, үүсгэх сургалтаар дамжуулан SOH тодорхойлох нь 2030 он гэхэд дэлхийн хэмжээнд 4.9 тэрбум долларын цахилгааны зардал хэмнэж, 35.8 тэрбум кг CO2 ялгарлыг бууруулж чадна. Бид загвар тайлбарлах чадвар, батерейг дахин боловсруулах урьдчилсан бэлтгэлийн нөлөөлөл, болон машин сургалтыг нэгтгэсэн ирээдүйн ухаалаг дахин боловсруулах урьдчилсан бэлтгэлийн чиглэлүүдийн талаар хэлэлцэнэ. 1