
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 لیکوالان: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 شنګیو تاو رویفی ما زیکسی ژاو ګوانګیوان ما لین سو هینګ چانګ یویو چن هایزو لیو ژینګ لیانګ ټینګوی کاو هایچینګ جی ژیووان هان مینیان لو هیوکسونګ یانګ زونګګو وین جیانهوا یاو رونګ یو ګوډان وی یانګ لی اکسان ژنګ ټینګیانګ ژو ګوانګمین ژو لنډیز د تقاعد شوي بیټرۍ د حالت (SOH) دقیق او چټک اټکل د بیا کارونې او ریسایکل کولو لپاره یو مهم مخکینۍ پروسه ده. په هرصورت، د ډیټا-مبنا میتودونو ته د SOH او د چارج حالت (SOC) تقاعد شرایطو لاندې د پراخو ډیټا جوړولو ته اړتیا لري. دلته، موږ ښیې چې د تولیدي زده کړې په مرسته د SOH اټکل د ډیټا کمښت او توپیر ننګونو کمولو کې ژمن دی، د 2700 تقاعد شوي لیتیم-آن بیټرۍ نمونې د نبض انجیکشن ډیټاسیټ له لارې تایید شوي، چې 3 کیتوډ مواد ډولونه، 3 فزیکي فارمیټونه، 4 ظرفیت ډیزاینونه، او 4 تاریخي کارونې د 10 SOC کچو سره پوښښ کوي. د تولید شوي ډیټا په کارولو سره، یو ریګریسر د نه لیدل شوي SOC لاندې د 6٪ څخه ښکته اوسط مطلق فیصدي غلطۍ (MAPE) سره دقیق SOH اټکلونه پلي کوي. موږ اټکل کوو چې د وړاندیز شوي تخنیک د یو شان تطبیق په فرض کولو سره، دا به د 2030 نړیوال بیټرۍ تقاعد سناریو لپاره د ډیټا جوړولو لګښتونو کمولو سره د بریښنا لګښتونو کې 4.9 ملیارد ډالر او د CO2 اخراج 35.8 ملیارد کیلوګرامه خوندي کړي. دا مقاله د محدود ډیټا ګټې اخیستنې په واسطه د تولیدي میتودونو په کارولو سره د پراخ شوي ډیټا ځای سپړلو روښانه کوي ، په پام کې نیولو سره چې ډیټا وخت ضایع کونکی ، ګران او د ډیری اټکل او وړاندوینې دندو لپاره ککړ کیدی شي. مقدمه د ټرانسپورټ بریښنایی کول، د ټیټ کاربن انرژي لیږد کې یو مهم سکتور ، د فوسیل تیلو پر اساس ټرانسپورټ پاراډایم بې ساري توګه بیا شکل ورکړی. لیتیم-آن بیټرۍ د ارزانه، دوامدار، او خوندي انرژي رسولو سره د بریښنایی موټرو (EVs) ته د دې لیږد لپاره حیاتي دي ، . د EVs بیټرۍ به تر 2050 پورې له 32-62 ټیرا واټو څخه زیات شي، چې د نړیوال تجدید وړ انرژي ادارې او ذخیره کولو لابراتوار سناریوګانو لخوا د اټکل څخه خورا لوړ دی . په هرصورت، تقاعد شوي EV بیټرۍ په تصادفي ډول د 80٪ څخه ډیر درجه شوي ظرفیت لاندې پاتې شوي ارزښت سره په کلکه تنظیم شوي دي ، . که چیرې په سمه توګه ونه کارول شي، دا د تولید کونکو او کاروونکو لپاره اقتصادي بارونه رامینځته کوي ، او همدارنګه وروسته چاپیریالي او ټولنیزې مسلې ، په شمول د سرچینو ضایع کیدل، د عرضې سلسلې خطرونه، او د کاربن اخراج ، ، . 1 2 3 4 5 6 7 8 9 10 11 د بیټرۍ تقاعد د مداومې د څپو په اړه اندیښنو ته د رسیدو لپاره ژمنې ستراتیژۍ بیا کارول ، ،  او ریسایکل کول  دي. په بیا کارونې کې، تقاعد شوي بیټرۍ د داسې غوښتنلیکونو لپاره بیا کارول کیږي لکه د شبکې سره تړلي د انرژي ذخیره کولو سیسټمونه ، د استوګنې بریښنا رسونې ، او ټیټ سرعت موټرې. په هرصورت، بیا کارونې ته د غوښتنلیک اړتیاو پوره کولو لپاره لومړني مخکیني پروسې ته اړتیا لري، پشمول د مطابقت سکرینینګ ، د ظرفیت ترتیب ، او بیا تنظیم کول ، . سره له دې چې د پیلوټ پروګرامونه پیل شوي ، ، ، د کارونې سناریوګانو او تقاعد لارو لپاره د سختو معیارونو نشتوالی د پاتې شوي ظرفیت منطقي کارونې ته خنډ رامنځته کوي . ریسایکل کول په بدیل سره د موادو استخراج یا جوړښتي ترمیم له لارې د تقاعد شوي بیټرۍ پاتې شوي ارزښتونه کاروي ، ، د نه بدلیدونکي تخریب شوي تقاعد شوي بیټرۍ لپاره مناسب دي. د پیرو میټالورژي او هایدرو میټالورژي سره په پرتله ، ، مستقیم ریسایکل کول د غوره ګټې، ټیټ انرژي مصرف، او کم کاربن اخراج سره ولاړ دی ، ، . د لیتیم بیا ډکولو او د کیتوډ موادو وروسته پروسس کولو په کارولو سره، مستقیم ریسایکل کول د موادو جوړښتي ترمیم، او د فعالیت بیا رغونه ترلاسه کوي . په هرصورت، د روغتیا حالت (SOH) د مستقیم ریسایکل کولو ستراتیژۍ په جوړولو کې اړین کیمیاوي ریجنټ او تمه شوي لیتیم ضمیمو دوزونه ټاکي ، ، . ناکافي دوز ممکن د نامکمل ترمیم لامل شي، پداسې حال کې چې ډیر دوز کولی شي د کیتوډ سطحې باندې د الکلي پاتې کیدو لامل شي، چې د بیا رغونې فعالیت خرابوي ، . له بده مرغه، د SOH ترلاسه کولو ته د موادو د انویژیو ازموینې ته اړتیا لري ،  او اوږد ظرفیت تو شمیرنې ازموینې، غیر انویژیو، چټک، او پایښت لرونکی SOH لاسته راوړل یو پاتې شوی ننګونه ده. 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 د SOH معلوماتو مطابقت تضمینولو لپاره، د EV بیټرۍ څارنه کیږي، او عملیاتي ډاټا د کلاوډ پلیټ فارمونو لخوا ثبت کیږي  او د بیټرۍ پاسپورټونه . د اروپا پارلمان د 14 جون 2023 نیټه د بیټرۍ لارښود تصویب کړ ترڅو ډاډ ترلاسه شي چې تقاعد شوي بیټرۍ د خدمت له پای ته رسیدو وروسته بیا کارول کیدی شي، له سره ترمیم کیدی شي، یا ریسایکل کیدی شي . په هرصورت، اړینې څارنې او ثبتونې پروسې یوازې د EV خدمت پړاو کې شتون لري، تقاعد شوي بیټرۍ نور د موټر دننه نظارت واحد سره وصل ندي. له همدې امله، د ساحې شتون لرونکي SOH ډیټا ترلاسه کول ننګونکي دي. د عمر ډیټا بشپړتیا یوه لویه ننګونه پاتې ده، چې یوازې د ساحې ډیټا په کارولو سره د SOH اټکل ته اړتیا لري، د تاریخي ډیټا یا د کنټرول وړ شرایطو برعکس ، ، . یو حل د تقاعد بیټرۍ راټولولو په ساحه کې د ظرفیت ازموینې ترسره کول دي، د بیلګې په توګه، د حالت ازموینه (SOC)، چې مستقیمه ده، په هرصورت، دا خورا ګران ازموینې وخت او اضافي بریښنا لګښتونو ته اړتیا لري. د هایبرډ پلس د بریښنا مشخصات ازموینه د متحرک نبض انجیکشن لخوا د SOH اټکل لپاره یوه بدیل ده، مګر بشپړ ازموینې لړۍ له 12 ساعتونو څخه ډیر وخت نیسي. تاو او نورو د تقاعد شوي بیټرۍ لپاره د SOH اټکل لپاره لنډ نبض کارولې، په دې فرض سره چې د SOC ازموینه تر 5% SOC پورې ترسره شوې وه، چې په تصادفي ډول د تقاعد SOC شرایطو سره په پایله کې مطابقت لري . په وروستیو پرمختګونو کې د حسي پر بنسټ اندازه کول شامل دي لکه د ایکس رې عکس اخیستل ، بریښنایی کیمیاوي امپیډنس ، ، آپټیکل فایبر سینسنګ ، ، اکوسټیک سینسنګ ، ، جزوی چارج کول ، ، او نبض انجیکشن ، . د سینسنګ پر بنسټ تخنیکونه د انویژن له امله په لابراتوار مرحله کې دي، پداسې حال کې چې نبض انجیکشن د فزیکي زیان پرته د بیټرۍ تخریب د خلاصولو ځانګړتیا لري، په ورته وخت کې د جزوی چارج کولو او بریښنایی کیمیاوي امپیډنس پر بنسټ میتودونو څخه ګړندی دی ، ، ، ، ، . په هرصورت، نبض انجیکشن د ډیټا-مرکزي طریقه ده چې یوازې د مثالی فرض کولو لاندې د ترسره کیدو وړ ده چې فزیکي اندازه شوي ډاټا د ماډل تطبیق پړاو کې د تقاعد شرایط شاملوي، چې د ماشین زده کړې ټولنې کې د ډومین بدلون عامه ننګونه پیژندل کیږي. د لیږد زده کړې او ډومین تطبیق میتودونو کې د پرمختګونو سره سره ، ، ، ننګونې دوام لري ځکه چې د همغږۍ لپاره د هدف ډومین لاهم د تطبیق په وخت کې دمخه معلوماتو ته اړتیا لري، او اوسني زده کړې میتودونه په تصادفي تقاعد شرایطو باندې تطبیق کیدی شي . یوه بدیل د ډیټا کمښت او توپیر کمولو لپاره د نه سپړل شوي تقاعد شرایطو لاندې د ډیټا ازموینې پیمانه پراخول دي پداسې حال کې چې دا ممکن د لګښتونو زیاتوالي لامل شي. وانګ او نورو د تودوخې کیمیاوي پروسې په جریان کې د مختلفو منځګړیو حالتونو کې د عکس العمل کینټیک غوره توبونو د انټرپول کولو لپاره د تودوخې د کیندنې میتود وړاندې کړ، چې د ماشین زده کړې ماډل روزنې لپاره د ډیټا وده په توګه د لږترلږه تودوخې کیمیاوي تجربې پیمانه او لګښت کې د پراخو روزنې ډیټابیسونو جوړولو ته اجازه ورکوي . برسېره پردې، د تولیدي زده کړې هم د جزوی سایکل شوي پروفایلونو څخه د وده شوي ډیټا سره د SOH اټکل امکانات ښیې، اړین فزیکي ازموینې شوي ډیټا خوندي کوي ، . په هرصورت، د بیټرۍ بیا کارونې او ریسایکلینګ په شرایطو کې د ډیټا کمښت او توپیر لا هم پیچلي دي د کیتوډ موادو ډولونو، فزیکي فارمونو، د ظرفیت ډیزاینونو، او تاریخي کارونې د مخلوط له امله، د تخریب د حالت ځانګړي پوهې د ماشین زده کړې ماډلونو ته د ادغام احتمال محدودوي. له همدې امله، دا معقوله ده چې د ډیټا تولید لپاره د تقاعد شرایطو او نبض ولټاژ ځوابونو ترمنځ د انحصار اړیکې په پام کې نیولو سره، هیڅ اوږد وخت لړۍ ظرفیت تو شمیرنه او اضافي فزیکي تجربې په ورته وخت کې پلي کړي، ترڅو د SOH اټکل 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 په دې مطالعه کې، موږ د تقاعد شوي بیټرۍ مخکینۍ پروسه، د بیلګې په توګه، د SOH اټکل، د نبض ولټاژ ځواب ډیټا په واسطه ترسره کوو چې د اتنشنل تغیراتي اتو انکوډر لخوا د خوندي شوي فزیکي اندازه کولو وخت او لګښت کې تولید شوي. د عمومي مخکینۍ مرحلې، د تولیدي ماډل روزنې، او عملي ماډل تطبیق مرحلو لوړ پوړی پروسه په شکل 1 کې ښودل شوې ده. د تحقیق نظر د نبض ولټاژ ځوابونو سپړلو لپاره د دمخه اندازه شوي ډیټا څخه د ګټې اخیستنې لپاره د تولیدي زده کړې کارول دي په دوامداره تقاعد شرایطو کې، د بیلګې په توګه، د تقاعد شوي بیټرۍ راټولولو په مرحله کې د SOC توزیع. ښکته د SOH اټکل د فزیکي اندازه شوي نبض ولټاژ ځواب ډیټا پرته پلي کیږي، د مخکینۍ بریښنا لګښتونه او د کاربن اخراج خوندي کوي چې له دې پرته د SOC تعدیل کولو څخه اړین دي. د امپییر-ساعت انټیګرل میتود او د ماشین زده کړې نبض انجیکشن سره په پرتله، تولیدي زده کړې د چټکې تولید سرعت او دقیق اټکل باندې ټینګار کوي. د تولید شوي ډیټا سره، یو ساده ریګریسر د نه لیدل شوي یا لاسرسي وړ SOC تقاعد شرایطو لاندې د ټیټې غلطۍ سره د SOH اټکل کوي، د بهر له توزیع (OOD) مسلې ننګونې. د OOD مسله د SOC حالت او د چټک نبض لخوا رامینځته شوي ولټاژ ځواب ترمینځ د میراثي فزیکي نمونې په واسطه حل کیږي. موږ زموږ د میتود عمومي کول د 2700 فزیکي اندازه شوي نمونې له لارې تایید سره ښیې، چې 3 کیتوډ مواد ډولونه، 3 فزیکي فارمیټونه، 4 د ظرفیت ډیزاینونه، او 4 تاریخي کارونې (1 لابراتواري ګړندی شوی عمر، 3 EV عمر، په شمول 1 یوازې بریښنایی پاوټرین موډ او 2 هایبرډ پاوټرین موډونه) پوښښ کوي. تولیدي زده کړې د انټرپولیشن او اکستراپولیشن لپاره مناسب دي د ماډل پیرامیټرو په پټ ځای پیمانه کې دمخه پوهه مدغم کولو سره، د اندازه کولو وخت، بریښنا لګښتونه، او پایله لرونکي کاربن اخراج خوندي کول پداسې حال کې چې د SOH اټکل دقت سره موافقت نه کوي. د بیټرۍ تقاعد په 2030 کې د نړیوالې محافظه کارې قضیې مطالعې د پیرو میټالورجیک، هایدرو میټالورژیک، او مستقیم ریسایکلینګ شرایطو کې د چټک او پایښت لرونکي SOH اټکل اهمیت روښانه کوي. د تخنیکي-اقتصادي تحلیل له لارې، د تولیدي زده کړې په مرسته د SOH اټکل کولی شي تر 2030 پورې په نړیواله کچه د بریښنا لګښتونو کې 4.9 ملیارد ډالر او د CO2 اخراج 35.8 ملیارد کیلوګرامه خوندي کړي. موږ د ماډل تفسیر، ریسایکلینګ مخکینۍ اغیزې، او د راتلونکي سمارټ ریسایکلینګ مخکینۍ لارو پراخه اړخونه د ماشین زده کړې سره مدغم کوو.    د تقاعد شوي بیټرۍ مخکینۍ مرحلې شامل دي د SOC تعدیل، فزیکي اندازه کول، د SOH تشخیص لپاره ماشین زده کړه، او د بیا کارونې یا ریسایکلینګ دمخه د دویم ژوند پریکړه کولو پروسه. د SOC تعدیل په دودیز ثابت جریان ثابت ولټاژ (CCCV) میتود په کارولو سره د تقاعد شوي بیټرۍ SOC ارزښتونو مطلوب کچو ته تنظیم کولو ته اشاره کوي.   د نبض ولټاژ ځواب ډیټا تولید لپاره د اتنشنل تغیراتي اتو انکوډر سکیماتیک.   د SOH اټکل لپاره د ډیټا تولید ماډل عملي کارونې ته د اضافي SOC تعدیل ته اړتیا نلري. روزل شوي ماشین زده کړې ماډل د تولید شوي ډیټا لخوا څارل کیږي او د تطبیق په مرحله کې سمدستي نبض ولټاژ ځوابونه ترلاسه کوي.   زموږ د تولیدي زده کړې میتودولوژي چټک تولید سرعت لخوا اقتصادي او چاپیریالي ګټې او چټک تولید سرعت د 2030 بیټرۍ تقاعد سناریو په نړیواله کچه د SOC تعدیل لګښتونو په خوندي کولو سره. a b c d پایلې د ډیټا سیټ ترلاسه کول د ډیټا کمښت او توپیر د ډیټا-مبنا 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، د SOC پراخه کچو کې، د بیلګې په توګه، له 5٪ څخه تر 50٪ پورې د 5٪ دانې سره. په شکل 2a کې، د ډیټا سیټ 3 خورا عام کیتوډ مواد ډولونه پوښښ کوي، پشمول 119 فزیکي راټول شوي NMC (نکل مینګنیز کوبالټ اکسایډ)، 56 LFP (لیتیم وسپنه فاسفیت)، او 95 LMO (لیتیم مینګنیز اکسایډ) تقاعد شوي بیټرۍ، 3 فزیکي فارمونه (سلنډر، پاؤچ، پرزمیټیک) او 4 تاریخي کارونې نمونې (1 لابراتواري ګړندی شوی ازموینه، 3 EV کارونې، په شمول 1 په بشپړ ډول بریښنایی پاوټرین موډ او 2 هایبرډ پاوټرین موډونه). موږ ټینګار کوو چې د خورا متنوع ازموینې نمونې شاملول زموږ د ډیټا سیټ تر نن ورځې پورې د تقاعد شوي بیټرۍ لپاره ترټولو لوی چټک نبض پر بنسټ ډیټا سیټ جوړوي، چې د فزیکي اندازه شوي ډیټا سیټونو څخه هاخوا د ماډل عمومي کول اسانه کوي.    د تقاعد شوي بیټرۍ توزیع لپاره سنکي پلاټ، چې د کیتوډ موادو ډولونه، فزیکي فارمونه، د ظرفیت ډیزاینونه، او تاریخي کارونې شامل دي.   د تقاعد شوي بیټرۍ نبض جریان او وروسته ولټاژ ځواب، چیرې چې ځانګړتیاوې له بدلیدونکو نقطو څخه استخراج کیږي، د بیلګې په توګه، د ولټاژ ځواب وکر د صفر دوهم ترتیب مشتق سره نقطې. 21 ځانګړتیا نقطې، له U1 څخه U21 پورې، استخراج شوي. خام ډیټا لپاره د ثبت فریکونسۍ 100 Hz ده. C-rate کې د هر نبض ترمنځ پاتې وخت 25 ثانیې دی. یادونه وکړئ چې C-rate د چارج (ډیسچارج) نرخ ته اشاره کوي کله چې د 1 ساعت چارج (ډیسچارج) ترسره کیږي. د چ 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!

د چارج وړ لیتیم-آیون بیټرۍ بیا کارولو لپاره د نسل AI ځواک

About Author

تبصرې

hang tags

دا مقاله په کې وړاندې شوې وه

Related Stories

HackerNoon Projects of the Week: AI Security Exposure Detector, Shoppinlyst, and TimeVyn

Tran Hung is HackerNoon's Altcoin Champion of 2021

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

Teylor has Been Named Startup of the Year 2021 in Zürich

HackerNoon Projects of the Week: AI Security Exposure Detector, Shoppinlyst, and TimeVyn

Tran Hung is HackerNoon's Altcoin Champion of 2021

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

Teylor has Been Named Startup of the Year 2021 in Zürich

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps