```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Rezumat Estimarea rapidă și precisă a stării de sănătate (SOH) a bateriilor scoase din uz este o pre-procesare crucială pentru reutilizare și reciclare. Cu toate acestea, metodele bazate pe date necesită o curatare exhaustivă a datelor în condiții de retragere aleatorii de SOH și stare de încărcare (SOC). Aici, arătăm că estimarea SOH asistată de învățarea generativă este promițătoare în atenuarea provocărilor legate de lipsa datelor și eterogenitatea acestora, validată printr-un set de date de injecție de puls de 2700 de mostre de baterii litiu-ion scoase din uz, acoperind 3 tipuri de materiale catodice, 3 formate fizice, 4 designuri de capacitate și 4 utilizări istorice cu 10 niveluri de SOC. Folosind date generate, un regresor realizează estimări precise ale SOH, cu erori procentuale absolute medii sub 6% în condiții de SOC nevăzute. Prezicem că, presupunând o implementare uniformă a tehnicii propuse, aceasta ar economisi 4,9 miliarde USD în costuri de energie electrică și 35,8 miliarde kg de emisii de CO2 prin atenuarea costurilor de curatare a datelor pentru un scenariu global de retragere a bateriilor din 2030. Acest articol subliniază exploatarea datelor limitate pentru explorarea spațiului de date extins utilizând metode generative, având în vedere că datele pot fi consumatoare de timp, costisitoare și poluante de recuperat pentru multe sarcini de estimare și predicție. Introducere Electrificarea transporturilor, un sector critic într-o tranziție energetică cu emisii scăzute de carbon , a remodelat fără precedent paradigma transportului bazat pe combustibili fosili. Bateriile litiu-ion sunt vitale pentru această tranziție, oferind surse de energie accesibile, durabile și sigure pentru vehiculele electrice (EV) , . Capacitatea totală a bateriilor EV în uz și la sfârșitul duratei de viață va depăși 32–62 terawați până în 2050, considerabil mai mare decât estimarea din scenariile Agenției Internaționale pentru Energie Regenerabilă și Storage Lab . Cu toate acestea, bateriile EV scoase din uz sunt reglementate strict, cu o valoare reziduală mare a capacității sub-exploatată, de obicei peste 80% din capacitatea nominală , . Dacă nu sunt gestionate corespunzător, aceasta duce la sarcini economice  pentru producători și utilizatori, precum și la probleme sociale și de mediu ulterioare , inclusiv risipa de resurse, riscurile lanțului de aprovizionare și emisiile de carbon , , . 1 2 3 4 5 6 7 8 9 10 11 Strategiile promițătoare pentru a aborda preocupările legate de creșterea intermitentă a retragerii bateriilor sunt reutilizarea , ,  și reciclarea . În reutilizare, bateriile scoase din uz sunt refolosite pentru aplicații precum sistemele de stocare a energiei conectate la rețea , surse de alimentare rezidențiale și vehicule de viteză redusă. Cu toate acestea, reutilizarea necesită pre-tratament preliminar, inclusiv screening de consistență , sortarea capacității și regruparea ,  pentru a îndeplini cerințele aplicației . În ciuda inițierii programelor pilot , , , absența unor standarde stricte pentru scenariile de utilizare și căile de retragere împiedică utilizarea rațională a capacității reziduale . Reciclarea utilizează alternativ valorile reziduale ale bateriilor scoase din uz prin extracția materialelor sau repararea structurală , , potrivită pentru bateriile degradate ireversibil scoase din uz. Comparativ cu pirometalurgia și hidrometalurgia , , reciclarea directă se remarcă prin profitabilitate superioară, consum redus de energie și emisii reduse de carbon , , . Prin valorificarea realimentării cu litiu și post-procesarea materialelor catodice, reciclarea directă realizează repararea eficientă a structurii materialelor și restaurarea performanței . Cu toate acestea, starea de sănătate (SOH) determină reactivul chimic necesar și dozele anticipate de suplimentare a litiului în formulările strategiei de reciclare directă , , . Dozarea insuficientă poate duce la o reparare incompletă, în timp ce dozarea excesivă poate duce la generarea de alcalii reziduale pe suprafața catodului, deteriorând performanța de restaurare , . Din păcate, recuperarea SOH necesită caracterizare invazivă a materialelor ,  și teste lungi de calibrare a capacității, achiziția rapidă, non-invazivă și durabilă a SOH rămâne o provocare outstanding. 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 Pentru a asigura informații consistente despre SOH, bateriile EV sunt monitorizate, iar datele operaționale sunt înregistrate de platforme cloud și pașapoarte de baterii . Parlamentul European a adoptat Directiva privind Bateriile la 14 iunie 2023, pentru a se asigura că bateriile scoase din uz pot fi refolosite, recondiționate sau reciclate la sfârșitul duratei de viață . Cu toate acestea, procedura necesară de monitorizare și înregistrare este accesibilă doar în faza de serviciu a EV, bateriile scoase din uz nu mai sunt conectate la unitatea de monitorizare din vehicul. Astfel, este dificil de recuperat date SOH disponibile pe teren. Integritatea datelor de viață rămâne o provocare majoră, necesitând estimarea SOH folosind doar date de pe teren, opus datelor istorice sau în condiții controlabile , , . O soluție este efectuarea unui test de calibrare a capacității la punctul de colectare a bateriilor scoase din uz, adică condiționarea stării de încărcare (SOC), care este simplă, dar necesită timp de testare inaccesibil și costuri suplimentare de electricitate. Testul de caracterizare a puterii de puls hibrid este o alternativă pentru estimarea SOH prin injecție dinamică de puls, dar secvența completă de testare durează peste 12 ore. Tao et al. au utilizat pulsuri scurte pentru estimarea SOH a bateriilor scoase din uz, presupunând că s-a efectuat o condiționare SOC la 5% SOC, ceea ce a fost greu compatibil cu condițiile aleatorii de retragere SOC . Progresele recente în măsurătorile bazate pe senzori includ imagistica cu raze X , impedanța electrochimică , , senzori cu fibră optică , , senzori acustici , , încărcare parțială , și injecție de puls , . Tehnicile bazate pe senzori sunt în stadiul de laborator datorită invaziei, în timp ce injecția de puls se caracterizează prin descâlcirea degradării bateriei fără deteriorare fizică, simultan mai rapidă decât metodele bazate pe încărcare parțială și impedanță electrochimică , , , , , . Cu toate acestea, injecția de puls este o metodă centrată pe date care este fezabilă doar în condiția ideală ca datele măsurate fizic să cuprindă condițiile de retragere ale fazei de implementare a modelului, cunoscută sub denumirea de provocarea comună a deplasării domeniului în comunitatea de învățare automată. În ciuda progreselor în transfer learning și metode de adaptare a domeniului , , , provocările persistă, deoarece domeniul țintă de aliniat necesită informații prealabile la momentul implementării, iar metodele de învățare existente pot fi greu actualizate pentru condiții aleatorii de retragere . O alternativă este extinderea scalei de testare a datelor în condiții de retragere neexplorate pentru a atenua lipsa datelor și eterogenitatea, deși aceasta poate duce la creșterea costurilor. Wang et al. au propus o metodă de excavație a temperaturii pentru a interpola preferințele cinetice de reacție la diferite stări intermediare în timpul unui proces termochimic, permițând construirea de baze de date de antrenament extinse la o scară și un cost experimental minim de termochimie ca augmentare de date pentru antrenamentul modelului de învățare automată . În plus, învățarea generativă demonstrează, de asemenea, posibilități de estimare a SOH cu date augmentate din profiluri parțial ciclate, economisind datele fizice testate necesare , . Cu toate acestea, lipsa datelor și eterogenitatea în contextul reutilizării și reciclării bateriilor sunt și mai complexe datorită unui amestec de tipuri de materiale catodice, formate fizice, designuri de capacitate și utilizări istorice, restricționând potențiala integrare a cunoștințelor specifice condițiilor de degradare în modelele de învățare automată. Astfel, este rezonabil să se ia în considerare dependența dintre condițiile de retragere și răspunsurile la tensiunea pulsului pentru generarea de date, fără a impune calibrare extinsă a capacității pe serii de timp și experimente fizice suplimentare simultan, pentru a îmbunătăți performanța estimării SOH. 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 În acest studiu, efectuăm pre-tratamentul bateriilor scoase din uz, adică estimarea SOH, utilizând datele de răspuns la tensiunea pulsului generate de un autoencoder variațional atențional la un timp și cost de măsurare fizică economisit. Procesul de nivel înalt al pașilor generali de pre-tratament, antrenamentul modelului generativ și pașii practici de implementare a modelului sunt ilustrați în Figura  . Ideea de cercetare este de a utiliza învățarea generativă pentru a exploata datele deja măsurate pentru explorarea răspunsurilor la tensiunea pulsului în condiții continue de retragere, adică distribuția SOC în etapa de colectare a bateriilor scoase din uz. Estimarea SOH downstream este implementată fără date fizice măsurate de răspuns la puls, economisind costurile de electricitate pentru pre-tratament și emisiile de carbon necesare altfel pentru condiționarea SOC la nivelul anticipat. Comparativ cu metoda de integrare amper-oră și injecția de puls prin învățare automată, învățarea generativă subliniază o viteză de generare mai rapidă și o estimare precisă. Cu date generate, un simplu regresor estimează cu succes SOH cu eroare mică în condiții de SOC nevăzute sau inaccesibile în baza de date, o problemă provocatoare de distribuție în afara eșantionului (OOD). Problema OOD este rezolvată prin învățarea modelului fizic moștenit între condiția SOC și răspunsul la tensiune indus de pulsul rapid. Demonstrăm generalizabilitatea metodei noastre prin verificarea prin 2700 de mostre măsurate fizic, acoperind 3 tipuri de materiale catodice, 3 formate fizice, 4 designuri de capacitate și 4 utilizări istorice (1 îmbătrânire accelerată de laborator, 1 condus pur de vehicul electric, și 2 moduri de condus hibrid EV). Învățarea generativă se potrivește interpolării și extrapolării prin integrarea cunoștințelor prealabile ale condițiilor de retragere în scalarea spațiului latent al parametrilor modelului, economisind timp de măsurare, costuri de electricitate și emisiile de carbon rezultate, fără a compromite precizia estimării SOH. Un studiu global conservator al retragerii bateriilor în 2030 subliniază semnificația estimării rapide și durabile a SOH în circumstanțe de reciclare pirometalurgică, hidrometalurgică și directă. Prin analiza tehnică-economică, estimarea SOH asistată de învățare generativă ar putea economisi 4,9 miliarde USD în costuri de electricitate și 35,8 miliarde kg de emisii de CO2 până în 2030 la nivel mondial. Discutăm interpretabilitatea modelului, implicațiile pre-tratamentului pentru reciclare și aspecte mai largi ale direcțiilor viitoare de pre-tratament inteligent pentru reciclare integrate cu învățarea automată. 1    Pașii de pre-tratament ai bateriilor scoase din uz includ condiționarea SOC, măsurători fizice, învățare automată pentru diagnosticul SOH și procesul de luare a deciziilor de viață secundară înainte de reutilizare sau reciclare. Condiționarea SOC se referă la ajustarea valorilor SOC ale bateriilor scoase din uz la niveluri dorite folosind metoda tradițională constant current constant voltage (CCCV).   Schema autoencoderului variațional atențional pentru generarea datelor de răspuns la tensiunea pulsului.   Utilizarea practică a modelului de generare a datelor pentru estimarea SOH nu necesită condiționare SOC suplimentară. Modelul de învățare automată antrenat este supravegheat de datele generate și primește răspunsuri imediate la tensiunea pulsului atunci când se află în faza de implementare.   Beneficiile economice și de mediu și viteza rapidă de generare a metodologiei noastre de învățare generativă prin economisirea costurilor de condiționare SOC în scenariul global de retragere a bateriilor din 2030. a b c d Rezultate Achiziția setului de date Lipsa datelor și eterogenitatea sunt provocări majore în diagnosticul și prognoza bateriilor bazate pe date, în special pentru bateriile scoase din uz. Am colectat 2700 de mostre de la 270 de baterii fizic scoase din uz în intervale largi de SOC, adică de la 5% la 50% cu un pas de 5%. În Figura  , setul de date acoperă 3 tipuri predominante de materiale catodice, inclusiv 119 baterii fizic colectate NMC (oxid de nichel-mangan-cobalt), 56 LFP (fosfat de fier și litiu) și 95 LMO (oxid de mangan și litiu) scoase din uz, acoperind 3 formate fizice (cilindric, pouch, prismatic) și 4 modele de utilizare istorică (1 test de îmbătrânire accelerată de laborator, 3 utilizări EV, inclusiv 1 mod pur de propulsie electrificată și 2 moduri de propulsie hibridă). Subliniem că includerea unor mostre de testare extrem de heterogene face din setul nostru de date cel mai mare set de date bazat pe puls rapid pentru estimarea SOH a bateriilor scoase din uz de până acum, facilitând generalizarea modelului dincolo de seturile de date măsurate fizic. 2a    Graficul Sankey pentru distribuția bateriilor scoase din uz, cuprinzând tipuri de materiale catodice, formate fizice, designuri de capacitate și utilizări istorice.   Curentul pulsului și răspunsul ulterior al tensiunii bateriilor scoase din uz, unde caracteristicile sunt extrase din punctele de cotitură, adică punctele cu derivată de ordinul doi zero a curbei de răspuns a tensiunii. Cele 21 de puncte caracteristice, de la U1 la U21, sunt extrase. Frecvența de înregistrare pentru datele brute este de 100 Hz. Timpul de repaus este de 25 secunde între fiecare puls în C-rate. Notă că termenul C se referă la rata de încărcare (descărcare) atunci când se efectuează o încărcare (descărcare) de 1 oră. Temperatura ambientală este controlată la 25 .   Distribuția stării de sănătate (SOH) (potrivire Gaussiană) a bateriilor scoase din uz de 2,1 Ah și 21 Ah pentru ilustrare, respectiv. Pentru distribuția SOH a altor tipuri de baterii, se poate face referire la Figura Suplimentară  .   Relația dintre răspunsul tensiunii pulsului măsurat și SOH calibrat din testul de calibrare a capacității, cu condiții de stare de încărcare (SOC) variabile. Prima dimensiune caracteristică, U1, este ilustrată.   Ilustrarea cazului de generare de date prin interpolare și extrapolarea în condiții de distribuții aleatorii de retragere a bateriilor SOC. Setările detaliate de testare se găsesc în   și  , menționând că setarea C-rate este identică pentru toate tipurile de materiale catodice. Datele sursă sunt furnizate ca fișier Date Sursă. a b c 1 d e Note Suplimentare 1 2 Spre deosebire de testarea constant current constant voltage (CCCV) obișnuită, testul de puls nu provoacă timp de testare extins și daune suplimentare bateriilor scoase din uz. Prin urmare, folosim rezultatele CCCV ca valori de capacitate de referință pentru SOH. Datele de testare a pulsurilor sunt utilizate ca date de antrenament pentru modelul de învățare generativă. Chiar dacă tipul materialului catodic al bateriei variază, efectuăm o inginerie de caracteristici standardizată și accesibilă, asigurând compatibilitatea în utilizarea practică. Figura  demonstrează extracția caracteristicilor după injecția de curent de puls. Setările experimentale CCCV și de injecție de puls pot fi găsite în Nota Suplimentară  . Pentru primele cinci pulsuri injectate, punctele de cotitură, adică punctele cu derivată de ordinul doi a răspunsurilor tensiunii, sunt înregistrate ca caracteristici, rezultând caracteristici de 21 de dimensiuni. Deși timpul pulsului este la nivel de 5 s, efectuăm, de asemenea, o măsurare de sensibilitate pe lățimea pulsului cu scopuri duble de a verifica robustețea pulsului și de a scurta în continuare timpul de testare, 2b 1

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

Acest audio este produs în limba originală a poveștii!

Inteligența Artificială Generativă Permite Reutilizarea Durabilă a Bateriilor Litiu-Ion Retrase

About Author

COMENTARII

Etichete suspendate

ACEST ARTICOL A FOST PREZENTAT IN

Related Stories

Can Bitcoin Hit 1 Million Dollars?

The TechBeat: Apple Customers Return Vision Pro By The Droves (2/26/2024)

The World is Finally Ready for a New Internet

Intel Stuns Employees By Cutting Free Office Fruit (And Staff)

Can Bitcoin Hit 1 Million Dollars?

The TechBeat: Apple Customers Return Vision Pro By The Droves (2/26/2024)

The World is Finally Ready for a New Internet

Intel Stuns Employees By Cutting Free Office Fruit (And Staff)

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps