```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 لیکوال: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 شينګيو تاو رویفی ما زیزي ژاو ګوانګیوان ما لین سو هینګ چانګ یویو چن هایژو لیو زینګ لیانګ ټینګ وی کاو هاوچینګ جی ژیاویوان هان مین یان لو هوی ژیانګ یانګ زونګ ګو وین جیانهوا یاو رونګ یو ګوودان وی یانګ لی اکسوان ژنګ ټینګ یانګ ژو ګوانګمن ژو لنډیز د تقاعد شوي بیټرۍ د روغتیا حالت (SOH) چټک او دقیق تخمین د بیا کارونې او ریسایکل کولو لپاره یو مهم مخکینی پروسس دی. په هرصورت، د ډیټا-ملاتړ لرونکي میتودونو لپاره د تصادفي SOH او د چارج (SOC) تقاعد شرایطو لاندې د بشپړ ډیټا پاکولو ته اړتیا لري. دلته، موږ ښیې چې د تولیدي زده کړې په مرسته د SOH تخمین د ډیټا لږوالي او متفاوت ننګونو کمولو کې هیله بښونکی دی، چې د 2700 تقاعد شوي لیتیم-آئن بیټرۍ نمونو د نبض انجیکشن ډیټاسیټ له لارې تایید شوی، چې د 3 کیتوډ موادو ډولونه، 3 فزیکي بڼې، 4 ظرفیت ډیزاینونه، او 4 تاریخي کارونې د 10 SOC کچو سره پوښښ کوي. د تولید شوي ډیټا په کارولو سره، یو ریګریسر دقیق SOH تخمینونه ترلاسه کوي، د منځني مطلق فیصدي خطا (MAPE) د 6% څخه ښکته د نه لیدل شوي SOC لاندې. موږ اټکل کوو چې د وړاندیز شوي تخنیک د معیاري تطبیق په فرض کولو سره، دا به د 4.9 ملیارد ډالرو په بریښنا لګښتونو او 35.8 ملیارد کیلوګرام CO2 اخراجات خوندي کړي د 2030 نړیوال بیټرۍ تقاعد سناریو لپاره د ډیټا پاکولو لګښتونو کمولو سره. دا مقاله د تولیدي میتودونو په کارولو سره د پراخ شوي ډیټا فضا موندلو لپاره د محدود ډیټا ګټې اخیستنې باندې رڼا اچوي، په پام کې نیولو سره چې ډیټا د وخت اخیستونکي، ګران او د ډیری تخمین او وړاندوینې کارونو لپاره د ترلاسه کولو لپاره ککړتیا لري. معرفي د ترانسپورت بریښنایی کول، د ټیټ کاربن انرژي لیږد کې یو مهم سکتور ، د تیلو پر بنسټ د ترانسپورت پاراډاګم په بې ساري ډول بدل کړی دی. لیتیم-آئن بیټرۍ د بریښنایی موټرو (EVs) ،  ته د ارزانه، دوامداره او خوندي انرژي رسولو له لارې پدې لیږد کې خورا مهم دي. د 2050 تر 2050 پورې د کارول شويو او د ژوند پای ته رسیدلو EV بیټرۍ ټول ظرفیت به د 32–62 تیرا واټ څخه زیات شي، چې د نړیوالې تجدید وړ انرژۍ ادارې او ذخیره لابراتوار سناریوګانو لاندې له اټکل څخه خورا ډیر دی . په هرصورت، تقاعد شوي EV بیټرۍ د یو لوی پاتې شوي ارزښت سره په کلکه تنظیم شوي دي چې لږ تر لږه ګټه اخیستل کیږي، معمولا د درجه شوي ظرفیت له 80٪ څخه زیات ، . که په سمه توګه ونه کارول شي، دا د تولید کونکو او کاروونکو لپاره اقتصادي بارونه  او همدارنګه وروسته چاپیریال او ټولنیزې مسلې ، په شمول د سرچینو ضایع کول، د رسولو لړۍ خطرونه، او د کاربن اخراج ، ، .  1 2 3 4 5 6 7 8 9 10 11 د بیټرۍ تقاعد د لنډمهاله زیاتوالي په اړه اندیښنو ته د رسیدو لپاره هیله بښونکي استراتیژي د بیا کارونې ، ،  او ریسایکل کولو  دي. په بیا کارونه کې، تقاعد شوي بیټرۍ د داسې غوښتنلیکونو لپاره بیا کارول کیږي لکه د شبکې سره وصل شوي انرژي ذخیره سیسټمونه ، د استوګنې بریښنا رسولو ، او ټیټ سرعت موټرې. په هرصورت، بیا کارونه د غوښتنلیک اړتیاو پوره کولو لپاره د موافقت سکرینینګ ، د ظرفیت ترتیب ، او بیا ګروپ کول ،  په شمول لومړني مخکیني پروسس ته اړتیا لري . د پیلوټ پروګرامونو له پیل سره سره ، ، ، د کارونې سناریوګانو او تقاعد لارو لپاره د سختو معیارونو نشتوالی د پاتې شوي ظرفیت معقول کارول محدودوي . ریسایکل کول په بدیل سره د موادو استخراج یا جوړښتي ترمیم له لارې د تقاعد شوي بیټرۍ پاتې شوي ارزښتونه کاروي ، ، د نه بدلیدونکي خراب شوي تقاعد شوي بیټرۍ لپاره مناسب دي. د پایرو métallurgy او هایدرو métallurgy ،  په پرتله، مستقیم ریسایکل کول د غوره ګټې، ټیټ انرژي مصرف، او کم شوي کاربن اخراجونو له امله بهر ولاړ دی ، ، . د لیتیم بیا ډکول او د کیتوډ موادو وروسته پروسس کولو څخه په ګټې اخیستنې سره، مستقیم ریسایکل کول د موادو جوړښت ترمیم، او د فعالیت بیرته راګرځولو اغیزمنتیا ترلاسه کوي . په هرصورت، د روغتیا حالت (SOH) د مستقیم ریسایکل کولو استراتیژي په فورمولونو کې د اړین کیمیاوي ریجنټ او تمه شوي لیتیم ضمیمو دوزونه ټاکي ، ، . ناکافي دوز ممکن د ترمیم بشپړ نشي، پداسې حال کې چې ډیر خوراک ممکن د کیتوډ سطحې باندې د پاتې الکلی تولید لامل شي، د بیرته راګرځولو فعالیت خرابوي ، . له بده مرغه، د SOH راګرځول د invasive موادو ځانګړتیاوې ته اړتیا لري ،  او اوږد ظرفیت اعتبار ازموینې، غیر invasive، چټک، او دوامداره SOH ترلاسه کول یو پاتې ننګونه پاتې ده.  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 د ثابت SOH معلوماتو ترلاسه کولو لپاره، د EV بیټرۍ نظارت کیږي، او عملیاتي ډاټا د کلاوډ پلیټ فارمونو  او د بیټرۍ پاسپورټونو  لخوا ثبت کیږي. د 14 جون 2023 د اروپایی پارلمان د بیټرۍ لارښود تصویب کړ ترڅو ډاډ ترلاسه شي چې تقاعد شوي بیټرۍ د خدمت ژوند په پای کې بیا کارول کیدی شي، بیا ترمیم کیدی شي، یا ریسایکل کیدی شي . په هرصورت، د نظارت او ثبت کولو پروسه یوازې د EV خدمت مرحلې کې شتون لري، تقاعد شوي بیټرۍ نور د موټر دننه نظارت واحد سره وصل ندي. له همدې امله، د ساحې شته SOH معلوماتو ترلاسه کول ستونزمن دي. د ژوند دورې ډاټا بشپړتیا یوه لویه ننګونه پاتې ده، چې د ساحې ډیټا په کارولو سره د SOH تخمین غوښتنه کوي، د تاریخي ډیټا یا د کنټرول وړ شرایطو ، ،  په مقابل کې. یوه حل دا دی چې د تقاعد شوي بیټرۍ راټولولو په ساحه کې د ظرفیت اعتبار ازموینه ترسره کړئ، یعنې، د چارج حالت (SOC) کنډیشن کول، کوم چې مستقیم دی، په هرصورت، دا نه لیږدونکي ازموینې وخت او اضافي بریښنا لګښتونه ته اړتیا لري. د هایبرډ نبض بریښنا ځانګړتیا ازموینه د متحرک نبض انجیکشن لخوا د SOH تخمین لپاره یو بدیل دی، مګر بشپړ ازموینه له 12 ساعتونو څخه زیات وخت نیسي. تاو او نورو د تقاعد شوي بیټرۍ د SOH تخمین لپاره لنډ نبضونه کارولي، په دې فرض سره چې د 5% SOC ته د SOC کنډیشن کول ترسره شوي، کوم چې د تصادفي تقاعد SOC شرایطو سره په ندرت سره مطابقت درلود . په حسي-ملاتړ لرونکي اندازه کولو کې وروستي پرمختګونه د X-ray امیجنگ ، الیکتروشیمیکل امپیډینس ، ، آپټیکل فایبر سینسنګ ، ، اکوسټیک سینسنګ ، ، جزوي چارج کول ، ، او نبض انجیکشن ، . د سینسنګ پر بنسټ میتودونه د invasiveness له امله په لابراتوار مرحله کې دي، پداسې حال کې چې نبض انجیکشن بیټرۍ ته د فزیکي زیان پرته د بیټرۍ تخریب نه پاکولو ځانګړتیا لري، په ورته وخت کې د جزوي چارج کولو او الیکتروشیمیکل امپیډینس میتودونو څخه ګړندی ، ، ، ، ، . په هرصورت، نبض انجیکشن یو ډیټا-مرکزي میتود دی چې یوازې د مثالي فرض لاندې د ترسره کیدو وړ دی چې په فزیکي توګه اندازه شوي ډاټا د ماډل تطبیق مرحلې د تقاعد شرایطو پوښښ کوي، چې د ماشین زده کړې ټولنې کې د ډومین بدلون په نوم پیژندل کیږي. د لیږد زده کړې او د ډومین تطبیق میتودونو کې د پرمختګ سره سره ، ، ، ننګونې پاتې دي ځکه چې تطابق لپاره هدف ډومین لاهم د تطبیق په وخت کې دمخه معلوماتو ته اړتیا لري، او موجود زده کړې میتودونه په ندرت سره د تصادفي تقاعد شرایطو لپاره تازه کیدی شي . یوه بدیل د ډیټا نادرۍ او متفاوتوالي کمولو لپاره د نه پلټل شوي تقاعد شرایطو لاندې د ډیټا ازموینې پیمانه پراخول دي پداسې حال کې چې دا ممکن د زیاتو لګښتونو لامل شي. وانګ او نورو د تودوخې کیمیاوي پروسې په جریان کې د عکس العمل حرکتي ترجیحاتو انټرپول کولو لپاره د تودوخې د کیندنې میتود وړاندیز کړی، د لږترلږه تودوخې کیمیاوي تجربې پیمانه او لګښت کې د پراخو روزنې ډیټابیسونو جوړولو ته اجازه ورکوي د ماشین زده کړې ماډل روزنې لپاره د ډیټا ودې په توګه . سربیره پردې، تولیدي زده کړه د جزوی توګه سایکل شوي پروفایلونو څخه د اضافه شوي ډیټا سره د SOH تخمین امکانات هم ښیې، فزیکي توګه ازمایل شوي ډیټا ته اړتیا لري ، . په هرصورت، د بیټرۍ بیا کارونې او ریسایکل کولو په شرایطو کې د ډیټا نادرۍ او متفاوتوالي د کیتوډ موادو ډولونو، فزیکي بڼو، د ظرفیت ډیزاینونو، او تاریخي کارونو د مخلوط له امله خورا پیچلي دي، د شرایطو ځانګړي تخریب پوهه د ماشین زده کړې ماډلونو ته د حالت ځانګړي پوهه ادغام محدودوي. له همدې امله، دا منطقي ده چې د ډیټا تولید لپاره د تقاعد شرایطو او نبض ولتاژ ځوابونو ترمنځ د انحصار اړیکې په پام کې نیولو سره، اوږد وخت لړۍ ظرفیت اعتبار او اضافي فزیکي تجربو سره په یوځل کې زیان نه رسوي، ترڅو د SOH تخمین فعالیت لوړ کړي. 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 پدې مطالعې کې، موږ د تقاعد شوي بیټرۍ مخکیني پروسس، یعنې، د SOH تخمین، د اتینشنل تغیراتي آټو انکوډر لخوا د خوندي شوي فزیکي اندازه کولو وخت او لګښت کې د نبض ولتاژ ځواب ډیټا په کارولو سره ترسره کوو. د عمومي مخکیني پروسس ګامونو، د تولیدي ماډل روزنې، او عملي ماډل تطبیق ګامونو لوړ پوړی پروسه په شکل کې ښودل شوې ده  . د تحقیق نظر دا دی چې د تولیدي زده کړې څخه کار واخلئ ترڅو د نبض ولتاژ ځوابونو پلټلو لپاره دمخه اندازه شوي ډیټا وکاروئ د دوامداره تقاعد شرایطو کې، یعنې، د تقاعد شوي بیټرۍ راټولولو په مرحله کې د SOC توزیع. لاندې SOH تخمین د فزیکي توګه اندازه شوي نبض ځواب ډیټا پرته ترسره کیږي، مخکیني پروسس بریښنا لګښتونه او د کاربن اخراج خوندي کوي چې بخلاف د SOC کنډیشن کولو ته اړتیا لري ترڅو مطلوب کچې ته ورسیږي. د امپیر-ساعت انټیګرل میتود او د ماشین-زده کړې نبض انجیکشن په پرتله، تولیدي زده کړه د ګړندي تولید سرعت او دقیق تخمین باندې ټینګار کوي. د تولید شوي ډیټا سره، یو ساده ریګریسر د نه لیدل شوي یا نه لاسرسي وړ SOC تقاعد شرایطو لاندې د ټیټ خطا سره SOH په بریالیتوب سره اټکل کوي، یو ننګونکی له توزیع څخه بهر (OOD) مسله. د OOD مسله د SOC حالت او د نبض له امله رامینځته شوي ولتاژ ځواب ترمنځ د میراثي فزیکي نمونې زده کولو له لارې حل کیږي. موږ د 2700 فزیکي توګه اندازه شوي نمونې له لارې د زموږ د میتود عمومي وړتیا ښیې، چې د 3 کیتوډ موادو ډولونو، 3 فزیکي بڼو، 4 د ظرفیت ډیزاینونو، او 4 تاریخي کارونو (1 لابراتوار سرعت شوي عمر، 1 خالص بیټرۍ EV چلول، او 2 هایبرډ EV چلول) سره. تولیدي زده کړه د استقرا او استقرا لپاره مناسبه ده د پخوانیو پوهه د تقاعد شرایطو د پټ ځای پراختیا ته د ماډل پیرامیټونو په ورکولو سره، د اندازه کولو وخت، بریښنا لګښتونه، او د پایلې په توګه د کاربن اخراج خوندي کول پداسې حال کې چې د SOH تخمین دقت سره موافقه نه کوي. د بیټرۍ تقاعد 2030 په نړیواله کچه د یوه محافظه کار نړیوال قضیې مطالعې د پایرو métallurgy، هایدرو métallurgy، او مستقیم ریسایکل کولو شرایطو کې د چټک او دوامداره SOH تخمین اهمیت روښانه کوي. د تخنیکي-اقتصادي تحلیل له لارې، د تولیدي زده کړې په مرسته د SOH تخمین کولی شي تر 2030 پورې په نړیواله کچه د بیټرۍ تقاعد له امله 4.9 ملیارد ډالر د بریښنا لګښتونه خوندي کړي او 35.8 ملیارد کیلوګرام CO2 اخراجات کم کړي. موږ د ماډل تفسیر، د ریسایکل کولو مخکیني پروسس، او د راتلونکي سمارټ ریسایکل کولو مخکیني لارو پراخه اړخونه د ماشین زده کړې سره مدغم شوي بحث کوو. 1    د تقاعد شوي بیټرۍ مخکیني پروسس ګامونو کې د SOC کنډیشن کول، فزیکي اندازه کول، د SOH تشخیص لپاره د ماشین زده کړې، او د بیا کارونې یا ریسایکل کولو دمخه د دوهم ژوند پریکړه کولو پروسه شامله ده. د SOC کنډیشن کول د دودیزو ثابت جریان ثابت ولتاژ (CCCV) میتود په کارولو سره د تقاعد شوي بیټرۍ SOC ارزښتونو مطلوب کچو ته تنظیم کول په ګوته کوي.   د نبض ولتاژ ځواب ډیټا تولید لپاره د اتینشنل تغیراتي آټو انکوډر سکیماتیک.   د SOH تخمین لپاره د ډیټا تولید ماډل عملي کارول د اضافي SOC کنډیشن کولو ته اړتیا نلري. روزل شوي د ماشین زده کړې ماډل د تولید شوي ډیټا لخوا نظارت کیږي او د تطبیق مرحلې کې د فوري نبض ولتاژ ځوابونه ترلاسه کوي.   زموږ د تولیدي زده کړې میتودولوژي اقتصادي او چاپیریالي ګټې او چټک تولید سرعت د 2030 نړیوال بیټرۍ تقاعد سناریو کې د SOC کنډیشن کولو لګښتونو خوندي کولو سره. a b c d پایلې د ډاټا ترلاسه کول د ډاټا نادرۍ او متفاوتوالی د ډیټا-ملاتړ لرونکي بیټرۍ تشخیص او وړاندوینې کې لوی ننګونې دي، په ځانګړي توګه د تقاعد شوي بیټرۍ لپاره. موږ د 2700 فزیکي تقاعد شوي بیټرۍ څخه 2700 نمونې راټولې کړې چې د پراخه SOC کچو کې دي، یعنې، له 5٪ څخه تر 50٪ پورې د 5٪ دانې سره. په شکل کې  ، ډیټاسیټ 3 خورا مشهور کیتوډ موادو ډولونه پوښښ کوي، په شمول 119 فزیکي توګه راټول شوي NMC (نکل منګنیز کوبالټ اکسایډ)، 56 LFP (لیتیم اوسپنه فاسفیټ)، او 95 LMO (لیتیم منګنیز اکسایډ) تقاعد شوي بیټرۍ، 3 فزیکي بڼې (سلنډریک، پاکټ، پرزماتیک) او 4 تاریخي کارونې نمونې (1 لابراتوار سرعت شوی ازموینه، 3 EV کارونې، په شمول 1 په بشپړه توګه بریښنایی شوی بریښنا-ټرین موډ او 2 هایبرډ بریښنا-ټرین موډونه). موږ ټینګار کوو چې د خورا متفاوت ازموینې نمونو شاملول زموږ ډیټاسیټ تر نن ورځې پورې د تقاعد شوي بیټرۍ د SOH تخمین لپاره ترټولو لوی چټک نبض-ملاتړ لرونکی ډیټاسیټ جوړوي، د فزیکي توګه اندازه شوي ډیټاسیټ څخه بهر د ماډل عمومي وړتیا اسانه کوي. 2a    د تقاعد شوي بیټرۍ ویش لپاره د سنکي پلاټ، کیتوډ موادو ډولونه، فزیکي بڼې، د ظرفیت ډیزاینونه، او تاریخي کارونې شامل دي.   د تقاعد شوي بیټرۍ نبض جریان او وروسته ولتاژ ځواب، چیرې چې ځانګړتیاوې له بدلیدونکي نقطو څخه اخیستل کیږي، یعنې، د ولتاژ ځواب وکر د دوهم ترتیب مشتق سره صفر نقطې. 21 ځانګړ a b

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

دا غږ د کیسې په اصلي ژبه تولید شوی!

Generative AI د لیتیم-آیون بیټریو د تقاعد شوي بیا کارونې ځواکمنوي

About Author

تبصرې

hang tags

دا مقاله په کې وړاندې شوې وه

Related Stories

Autonomous APIs are the Future - Interview with Jean Machuca, Founder, QCObjects

Thrilled to be Recognized as 'HackerNoon Contributor of the Year - WORK'

Psychology of the Unconscious by C. G. Jung - Table of Links

Kindness is a Gift that Should Always be Paid Forward - Interview With Samiran Mondal

Autonomous APIs are the Future - Interview with Jean Machuca, Founder, QCObjects

Thrilled to be Recognized as 'HackerNoon Contributor of the Year - WORK'

Psychology of the Unconscious by C. G. Jung - Table of Links

Kindness is a Gift that Should Always be Paid Forward - Interview With Samiran Mondal

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps