```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autors: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Abstrakt Estimimi i shpejtë dhe i saktë i gjendjes së shëndetit (SOH) të baterive të dala nga përdorimi është një para-trajtim thelbësor për ri-përdorimin dhe riciklimin. Megjithatë, metodat e bazuara në të dhëna kërkojnë kurim të hollësishëm të të dhënave në kushte rastësore të tërheqjes me SOH dhe gjendjen e ngarkesës (SOC). Këtu, ne tregojmë se vlerësimi i SOH i asistuar nga mësimi gjenerues është premtues në lehtësimin e sfidave të mungesës dhe heterogjenitetit të të dhënave, i vërtetuar përmes një dataset injeksioni impulsi prej 2700 kampionesh baterish litium-jon të dala nga përdorimi, që mbulon 3 lloje materialesh katodë, 3 formate fizike, 4 dizajne kapaciteti dhe 4 përdorime historike me 10 nivele SOC. Duke përdorur të dhëna të gjeneruara, një regressor realizon vlerësime të sakta të SOH, me gabime mesatare absolute përqindore nën 6% nën SOC të panjohur. Ne parashikojmë që duke supozuar vendosjen uniforme të teknikës së propozuar, kjo do të kursente 4.9 miliardë dollarë SHBA në kostot e energjisë elektrike dhe 35.8 miliardë kg emetime CO2 duke zbutur kostot e kurimit të të dhënave për një skenar global të tërheqjes së baterive të vitit 2030. Ky artikull thekson shfrytëzimin e të dhënave të kufizuara për eksplorimin e hapësirës së zgjeruar të të dhënave duke përdorur metoda gjeneruese, pasi të dhënat mund të jenë të ngadalta, të shtrenjta dhe ndotëse për t'u marrë për shumë detyra vlerësimi dhe parashikimi. Hyrje Elektrifikimi i transportit, një sektor kritik në një tranzicion energjetik me karbon të ulët , ka rindërtuar në mënyrë të paprecedentë paradigmen e transportit të bazuar në lëndë djegëse fosile. Bateritë litium-jon janë jetike për këtë tranzicion duke ofruar furnizime energjie të përballueshme, të qëndrueshme dhe të sigurta për automjetet elektrike (EV) , . Kapaciteti total i baterive në përdorim dhe në fund të jetës së EV-ve do të kalojë 32–62 teravatë deri në vitin 2050, ndjeshëm më i lartë se vlerësimi në skenarët e Agjencisë Ndërkombëtare të Energjisë së Ripërtritshme dhe Storage Lab . Megjithatë, bateritë e tërhequra nga EV-të janë rreptësisht të rregulluara me një vlerë të mbetur të konsiderueshme kapaciteti të nën-shfrytëzuar, zakonisht mbi 80% të kapacitetit nominal , . Nëse nuk trajtohen siç duhet, kjo çon në ngarkesa ekonomike  për prodhuesit dhe përdoruesit, si dhe probleme pasuese mjedisore dhe shoqërore , duke përfshirë humbjen e burimeve, rreziqet e zinxhirit të furnizimit dhe emetimet e karbonit , , . 1 2 3 4 5 6 7 8 9 10 11 Strategjitë premtuese për të adresuar shqetësimet në lidhje me rritjen e ndërprerë të tërheqjes së baterive janë ri-përdorimi , ,  dhe riciklimi . Në ri-përdorim, bateritë e tërhequra ri-përdoren për aplikime të tilla si sistemet e ruajtjes së energjisë të lidhura me rrjetin , furnizimet e energjisë për banesa , dhe automjete me shpejtësi të ulët. Megjithatë, ri-përdorimi kërkon para-trajtime paraprake, duke përfshirë ekranizimin e konsistencës , renditjen e kapacitetit , dhe ribashkimin ,  për të përmbushur kërkesat e aplikimit . Pavarësisht fillimit të programeve pilot , , , mungesa e standardeve të rrepta për skenarët e përdorimit dhe shtigjet e tërheqjes pengon përdorimin racional të kapacitetit të mbetur . Riciklimi përdor alternativisht vlerat e mbetura të baterive të tërhequra përmes nxjerrjes së materialeve ose riparimit strukturor , , të përshtatshme për bateritë e tërhequra të degraduara në mënyrë të pakthyeshme. Krahasuar me pirometalurgjinë dhe hidrometalurgjinë , , riciklimi i drejtpërdrejtë dallohet për fitim më të lartë, konsum më të ulët të energjisë dhe emetime të reduktuara të karbonit , , . Duke shfrytëzuar plotësimin e litiumit dhe pas-përpunimin e materialeve katodë, riciklimi i drejtpërdrejtë arrin riparimin efikas të strukturës së materialit dhe rivendosjen e performancës . Megjithatë, gjendja e shëndetit (SOH) përcakton reagentin kimik të kërkuar dhe dozat e pritshme të plotësimit të litiumit në formulimet e strategjisë së riciklimit të drejtpërdrejtë , , . Dozimi i pamjaftueshëm mund të rezultojë në një riparim të paplotë, ndërsa dozimi i tepërt mund të çojë në gjenerimin e alkalit të mbetur në sipërfaqen katodë, duke dëmtuar performancën e rivendosjes , . Fatkeqësisht, rikuperimi i SOH kërkon karakterizim material invaziv ,  dhe teste të gjata të kalibrimit të kapacitetit, SOH jo-invaziv, i shpejtë dhe i qëndrueshëm mbetet një sfidë e jashtëzakonshme. 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 Për të siguruar informacion të qëndrueshëm të SOH, bateritë EV monitorohen dhe të dhënat operacionale regjistrohen nga platformat cloud  dhe pasaportat e baterive . Parlamenti Evropian miratoi Direktivën për Bateritë më 14 qershor 2023, për të siguruar që bateritë e tërhequra mund të ri-përdoren, rikondicionohen ose riciklohen në fund të jetës së shërbimit . Megjithatë, procedura e kërkuar e monitorimit dhe regjistrimit është e aksesueshme vetëm në fazën e shërbimit të EV-ve, bateritë e tërhequra nuk janë më të lidhura me njësinë monitoruese në automjet. Kështu, është sfiduese të rikuperohen të dhënat SOH të disponueshme në terren. Integriteti i të dhënave të jetës mbetet një sfidë kryesore, duke kërkuar vlerësimin e SOH duke përdorur vetëm të dhëna në terren, në kundërshtim me të dhënat historike ose në kushte të kontrollueshme , , . Një zgjidhje është kryerja e një testi kalibrimi kapaciteti në fushën e grumbullimit të baterive të tërhequra, pra kushtëzimi SOC, i cili është i drejtpërdrejtë, megjithatë, kërkon kohë testimi të papërballueshme dhe kosto shtesë energjie elektrike. Testi i karakterizimit të fuqisë pulsi hibrid është një alternativë për vlerësimin e SOH përmes injektimit dinamik të pulsit, por sekuenca e plotë e testit zgjat mbi 12 orë. Tao et al. përdorën impulse të shkurtra për vlerësimin e SOH të baterive të tërhequra, duke supozuar se u krye një kushtëzim SOC në 5% SOC, i cili ishte mezi i përputhshëm me kushtet rastësore të tërheqjes SOC . Përparimet e fundit në matjet e bazuara në sensorë përfshijnë imazhet me rreze X , impedancën elektrokimike , , sensorë me fibër optike , , sensorë akustikë , , karikim të pjesshëm , , dhe injektim pulsi , . Teknikat e bazuara në sensorë janë në fazën laboratorike për shkak të invazionit, ndërsa injektimi i pulsit veçohet nga shpërthimi i degradimit të baterisë pa dëmtim fizik, njëkohësisht më shpejt se metodat e karikimit të pjesshëm dhe ato të bazuara në impedancë elektrokimike , , , , , . Megjithatë, injektimi i pulsit është një metodë e varur nga të dhënat që është e mundur vetëm nën supozimin ideal se të dhënat e matura fizikisht përfshijnë kushtet e tërheqjes së fazës së vendosjes së modelit, e njohur si sfida e zakonshme e zhvendosjes së domenit në komunitetin e mësimit makinerik. Pavarësisht përparimeve në mësimin e transferimit dhe metodat e përshtatjes së domenit , , , sfidat mbeten pasi domeni objektiv për t'u harmonizuar kërkon ende informacion paraprak pas vendosjes, dhe metodat ekzistuese të mësimit vështirë se mund të përditësohen për kushtet rastësore të tërheqjes . Një alternativë është shtrirja e shkallës së testimit të të dhënave nën kushte të pap eksploruara të tërheqjes për të zbutur mungesën dhe heterogjenitetin e të dhënave, ndërsa mund të çojë në rritje të kostos. Wang et al. propozuan një metodë të nxjerrjes së temperaturës për të interpoluar preferencat e kinetikës së reagimit në shtete të ndërmjetme të ndryshme gjatë një procesi termokimik, duke lejuar ndërtimin e bazave të të dhënave të gjera trajnuese në shkallën dhe koston minimale eksperimentale termokimike si një shtesë të dhënash për trajnimin e modelit të mësimit makinerik . Për më tepër, mësimi gjenerues gjithashtu demonstron mundësitë e vlerësimit të SOH me të dhëna të shtuara nga profile të cikluara pjesërisht, duke kursyer të dhënat e nevojshme të testuara fizikisht , . Megjithatë, mungesa dhe heterogjeniteti i të dhënave në kontekstin e ri-përdorimit dhe riciklimit të baterive janë edhe më komplekse për shkak të një përzierjeje të llojeve të materialeve katodë, formateve fizike, dizajneve të kapacitetit dhe përdorimeve historike, duke kufizuar integrimin e mundshëm të njohurive specifike të kushteve të degradimeve në modelet e mësimit makinerik. Kështu, është e arsyeshme të merret parasysh varësia midis kushteve të tërheqjes dhe përgjigjeve të tensionit të pulsit për gjenerimin e të dhënave, duke mos shkaktuar kalibrime të gjata të kapacitetit të serisë kohore dhe eksperimente fizike shtesë njëkohësisht, për të përmirësuar performancën e vlerësimit të 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 Në këtë studim, ne kryejmë para-trajtimin e baterisë së tërhequr, pra vlerësimin e SOH, duke përdorur të dhënat e përgjigjes së tensionit të pulsit të gjeneruara nga një autoencoder variational me vëmendje në një kohë dhe kosto të ruajtur të matjeve fizike. Procesi i nivelit të lartë i hapave të përgjithshëm të para-trajtimit, trajnimin e modelit gjenerues dhe hapat praktikë të vendosjes së modelit janë ilustruar në Fig.  . Ideja e kërkimit është të përdoret mësimi gjenerues për të shfrytëzuar të dhënat e matur tashmë për eksplorimin e përgjigjeve të tensionit të pulsit në kushtet e vazhdueshme të tërheqjes, pra shpërndarjen SOC në fazën e grumbullimit të baterive të tërhequra. Vlerësimi pasues i SOH zbatohet pa të dhëna fizikisht të matura të përgjigjes së pulsit, duke kursyer kostot e energjisë elektrike të para-trajtimit dhe emetimet e karbonit që përndryshe do të kërkoheshin nga kushtëzimi i SOC në nivelin e pritur. Krahasuar me metodën integrale amper-orë dhe injektimin e pulsit të mësimit makinerik, mësimi gjenerues nënvizon një shpejtësi më të madhe gjenerimi dhe vlerësim të saktë. Me të dhënat e gjeneruara, një regressor i thjeshtë arrin me sukses të vlerësojë SOH me gabim të ulët në kushtet e panjohura ose të pakapshme të tërheqjes SOC në bazën e të dhënave, një çështje sfiduese jashtë shpërndarjes (OOD). Çështja OOD zgjidhet duke mësuar modelin fizik të trashëguar midis kushtit SOC dhe përgjigjes së tensionit të shkaktuar nga pulsi i shpejtë. Ne demonstrojmë gjeneralizueshmërinë e metodës sonë duke verifikuar përmes 2700 kampioneve të matura fizikisht, duke përfshirë 3 lloje materialesh katodë, 3 formate fizike, 4 dizajne kapaciteti dhe 4 përdorime historike (1 test i përshpejtuar laboratorik, 1 drejtim i pastër EV me bateri dhe 2 drejtime EV hibride). Mësimi gjenerues përshtatet për interpolim dhe ekstrapolim duke integruar njohuritë paraprake të kushteve të tërheqjes në shkallëzimin e hapësirës latente të parametrave të modelit, duke kursyer kohë matjeje, kosto energjie elektrike dhe emetimeve përkatëse të karbonit pa kompromentuar saktësinë e vlerësimit të SOH. Një studim i rastit konservativ global i tërheqjes së baterive në vitin 2030 nënvizon rëndësinë e vlerësimit të shpejtë dhe të qëndrueshëm të SOH në rrethanat e riciklimit pirometalurgjik, hidrometalurgjik dhe të drejtpërdrejtë. Përmes analizës tekniko-ekonomike, vlerësimi i SOH i asistuar nga mësimi gjenerues mund të kursejë 4.9 miliardë dollarë kosto energjie elektrike dhe 35.8 miliardë kg emetime CO2 deri në vitin 2030 globalisht. Ne diskutojmë interpretueshmërinë e modelit, implikimet e para-trajtimit të riciklimit dhe aspektet më të gjera të drejtimeve të ardhshme të para-trajtimit të riciklimit inteligjent të integruar me mësimin makinerik. 1    Hapat e para-trajtimit të baterisë së tërhequr përfshijnë kushtëzimin e SOC, matjet fizike, mësimin makinerik për diagnozën e SOH dhe procesin e vendimmarrjes së jetës së dytë para ri-përdorimit ose riciklimit. Kushtëzimi i SOC i referohet rregullimit të vlerave të SOC të baterive të tërhequra në nivele të dëshiruara duke përdorur metodën tradicionale të rregultës konstante të rrymës dhe tensionit (CCCV).   Skema e autoencoder variational me vëmendje për gjenerimin e të dhënave të përgjigjes së tensionit të pulsit.   Përdorimi praktik i modelit të gjenerimit të të dhënave për vlerësimin e SOH kërkon pa kushtëzim shtesë të SOC. Modeli i trajnuar i mësimit makinerik mbikëqyret nga të dhënat e gjeneruara dhe merr përgjigje të menjëhershme të tensionit të pulsit kur është në fazën e vendosjes.   Përfitimet ekonomike dhe mjedisore dhe shpejtësia e shpejtë e gjenerimit të metodologjisë sonë të mësimit gjenerues duke kursyer kostot e kushtëzimit të SOC në skenarin global të tërheqjes së baterive të vitit 2030. a b c d Rezultatet Marrja e datasetit Mungesa dhe heterogjeniteti i të dhënave janë sfida kryesore në diagnozën dhe prognozën e baterive të drejtuara nga të dhënat, veçanërisht për bateritë e tërhequra. Ne mbledhëm 2700 mostra nga 270 bateri të tërhequra fizikisht në nivele të gjera SOC, pra nga 5% në 50% me një increment prej 5%. Në Fig.  , dataseti mbulon 3 lloje të zakonshme të materialeve katodë, duke përfshirë 119 NMC (oksid nikeli mangani kobalti) të mbledhura fizikisht, 56 LFP (fosfat hekuri litium), dhe 95 LMO (oksid mangani litium) bateri të tërhequra, duke mbuluar 3 formate fizike (cilindrike, xhep, prizmatike) dhe 4 modele përdorimi historik (1 test i përshpejtuar laboratorik, 3 përdorime EV, duke përfshirë 1 modalitet tërësisht i elektrifikuar i fuqisë dhe 2 modalitete të fuqisë hibride). Ne theksojmë se përfshirja e kampioneve testuese shumë heterogjene e bën datasetin tonë datasetin më të madh të bazuar në pulsin e shpejtë për vlerësimin e SOH të baterive të tërhequra deri më sot, duke lehtë 2a

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

Kjo audio është prodhuar në gjuhën origjinale të tregimit!

AI gjeneruese fuqizon rikuperimin e qëndrueshëm të baterive të litium-jonëve të dalë nga përdorimi

About Author

KOMENTE

VARUR TAGS

KY ARTIKU U PARAQIT NË

Related Stories

Rrjeti SQD sapo vrau emetimet e tokenëve.Ja çfarë paguan 16 miliardë dollarë në DeFi TVL

Rrjeti SQD sapo vrau emetimet e tokenëve.Ja çfarë paguan 16 miliardë dollarë në DeFi TVL

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps