
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Mga May-akda: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Shengyu Tao Haizhou Liu Chongbo Sun Haocheng Ji Guanjun Ji Zhiyuan Han Runhua Gao Jun Ma Ruifei Ma Yuou Chen Shiyi Fu Yu Wang Yaojie Sun Yu Rong Xuan Zhang Guangmin Zhou Hongbin Sun Buod Ang mga hindi nakaayos na bateryang itinatapon na may iba't ibang materyales sa cathode ay humahadlang sa pagtanggap ng direktang pag-recycle dahil sa kanilang pagiging tiyak sa cathode. Ang pagdami ng mga bateryang itinatapon ay nangangailangan ng tumpak na pag-aayos para sa epektibong direktang pag-recycle, ngunit may mga hamon na nagmumula sa iba't ibang kasaysayan ng operasyon, iba't ibang mga tagagawa, at mga alalahanin sa privacy ng data ng mga kasosyo sa pag-recycle (may-ari ng data). Dito ipinapakita namin, mula sa isang natatanging dataset ng 130 lithium-ion na baterya na sumasaklaw sa 5 materyales ng cathode at 7 tagagawa, na ang isang federated machine learning approach ay maaaring magklasipika ng mga itinatapong baterya na ito nang hindi umaasa sa nakaraang data ng operasyon, na pinoprotektahan ang privacy ng data ng mga kasosyo sa pag-recycle. Sa pamamagitan ng paggamit ng mga feature na nakuha mula sa siklo ng pagsingil-pagdiskarga sa dulo ng buhay, ang aming modelo ay nagpapakita ng 1% at 3% na mga error sa pag-aayos ng cathode sa ilalim ng magkakatulad at magkakaibang mga setting ng pag-recycle ng baterya, ayon sa pagkakabanggit, na nauugnay sa aming makabagong diskarte sa pagboto ng Wasserstein-distance. Sa ekonomiya, binibigyang-diin ng iminungkahing pamamaraan ang halaga ng tumpak na pag-aayos ng baterya para sa isang masagana at napapanatiling industriya ng pag-recycle. Ang pag-aaral na ito ay nagbabadya ng isang bagong paradigm ng paggamit ng privacy-sensitive na data mula sa iba't ibang mapagkukunan, na nagpapadali sa sama-sama at paggalang sa privacy na paggawa ng desisyon para sa mga ipinamamahagi na sistema. Introduksyon Ang mga lithium-ion na baterya (LIBs), na nagsisilbing mga aparato sa pag-iimbak ng enerhiya, ay nagkaroon ng malawakang paggamit sa iba't ibang larangan, mula sa produksyon ng industriya hanggang sa pang-araw-araw na buhay bilang isang tinatanggap na teknikal na ruta. Ang mga pagtataya ay nagmumungkahi na ang pandaigdigang sukat ng produksyon ng LIBs ay lalampas sa 1.3 TWh sa pamamagitan ng 2030  kapag ang tumataas na pangangailangan para sa mga baterya ay higit na hihigit sa pagkakaroon ng mahahalagang mapagkukunan ng metal tulad ng lithium at cobalt , . Gayunpaman, ang kasalukuyang average na buhay ng mga produkto ng LIB ay nasa 5–8 taon, na humahantong sa isang nalalapit na pagdami ng mga itinatapon na baterya sa maraming bansa. Kung hindi maayos na mapamahalaan, ang mga itinatapong baterya ay magreresulta sa hindi napapanatiling pag-aaksaya ng mapagkukunan at pinsala sa kapaligiran. Dahil sa mga kalagayang ito, ang pagbuo ng teknolohiya sa pag-recycle ng baterya ay nagiging kritikal na kahalagahan habang kinakaharap natin ang nalalapit na pagdagsa ng mga pagreretiro ng LIB . 1 2 3 4 Ang mga kamakailang pagsulong sa pananaliksik sa pag-recycle ng baterya ay nakatuon sa mga pyrometallurgical, hydrometallurgical, at direktang mga pamamaraan ng pag-recycle . Sa kaibahan sa mga pamamaraan ng pyrometallurgical at hydrometallurgical, ang direktang pag-recycle ay nakatayo bilang isang natatanging pamamaraan. Ang prosesong ito ay hindi nagdudulot ng pangalawang pinsala sa istraktura ng materyal, na nagbibigay-daan para sa mas mahusay na pag-aayos ng istraktura at pagpapanumbalik ng pagganap. Bukod dito, ang direktang pag-recycle ay nagpapakita ng mas mataas na tubo, dahil nagsasangkot ito ng mas mababang pagkonsumo ng enerhiya, nabawasan ang mga greenhouse gas emission, at mas magaan na mga footprint sa kapaligiran , . Sa aktwal na produksyon, gayunpaman, ang mga recycler ng baterya ay madalas na nakakatagpo ng mga LIB na binubuo ng mga hindi kilalang bahagi o mga module ng baterya na binubuo ng isang halo ng iba't ibang uri ng materyales ng cathode. Isinasaalang-alang na ang direktang pag-recycle ay maaaring lubos na tiyak sa cathode, ang pagiging kumplikado na ito ay ginagawang hindi posible ang aplikasyon ng direktang pag-recycle para makamit ang pag-convert ng halaga ng mga itinatapong baterya . Mahalagang bigyang-diin na kahit na ang mahahalagang metal mula sa halo-halong uri ng materyales ng cathode ay maaaring makuha gamit ang mga kumbensyonal na estratehiya sa pag-recycle, ang interaksyon sa pagitan ng iba't ibang materyales ng cathode sa panahon ng proseso ng pag-recycle ay maaaring makasama sa kalidad ng produkto . Samakatuwid, ang pag-unawa sa impormasyon ng uri ng materyales ng cathode sa panig ng pag-recycle ay kapansin-pansin na nakakaapekto sa pagpili ng ruta ng direktang pag-recycle at sa huli ay nagpapabuti sa kalidad ng produkto, tubo, at pagiging napapanatili. 5 6 7 8 9 Ang human-assisted direct recycling ay iminungkahi upang matukoy ang impormasyon ng uri ng materyales ng cathode ng itinatapong baterya sa link ng pre-treatment, na hindi pa rin kapaki-pakinabang sa pananalapi kapag ang industriya ng pag-recycle ay lumalaki . Upang epektibong makuha ang impormasyon ng uri ng cathode ng itinatapong baterya, ang komunidad ng siyentipiko at industriyal ay kamakailan lamang naglunsad ng isang sistema ng pagsubaybay sa buhay ng baterya  at mga umuusbong na konsepto tulad ng battery passport  at battery data genome . Bagaman maraming baterya na ang nagamit bago ang mga inisyatibong ito, may lumalaking pinagkasunduan na ang impormasyon ng baterya ay dapat na ma-access sa buong kadena ng buhay upang mapadali ang paggawa ng desisyon sa pangalawang buhay . Ito ay partikular na totoo para sa sektor ng pag-recycle ng baterya, ang huling istasyon ng pangalawang buhay ng baterya, dahil ang ruta ng pag-recycle ay maaaring lubos na tiyak sa cathode. Gayunpaman, ang mga sistema ng pagsubaybay sa buhay ng baterya o mga pasaporte ng baterya ay pinapagana ng mga elektronikong gadget tulad ng mga bar code at near-field communication, na maaaring magpakilala ng masinsinang pamumuhunan at maaaring malawak na hindi tugma sa iba't ibang mga taga-disenyo ng baterya. Bukod pa rito, ang mga elektronikong gadget ay nananatiling mahirap pamahalaan nang tuluy-tuloy sa kanilang buong buhay, na humahantong sa mga pagod na aparato at hindi pagiging ma-access sa yugto ng pag-recycle dahil ang modernong proseso ng pagmamanupaktura ng mga LIB ay hindi pa rin integrated mula sa produksyon hanggang sa pag-recycle . Kaya naman, higit pang mga pagbagsak ang kagyat na kailangan upang makamit ang isang mahusay na pag-aayos ng uri ng cathode ng baterya gamit lamang ang madaling ma-access na impormasyon sa larangan , , taliwas sa mga naitalang historikal na data o sa pamamagitan ng kamay, na nagpapadali sa pagtanggap ng direktang pag-recycle upang mapabuti ang kalidad at tubo ng mga recycled na produkto. 1 10 11 12 13 14 15 16 Sa nakalipas na ilang taon, ang machine learning ay lumitaw bilang isang mabubuhay na kasangkapan upang harapin ang mga bukas na tanong sa lahat ng larangan ng baterya. Sa iba pang mga paksa na may kaugnayan sa baterya, ang machine learning ay kamakailan lamang ay nagbigay-daan sa amin na awtomatikong matuklasan ang mga kumplikadong mekanismo ng baterya , , , hulaan ang natitirang kapaki-pakinabang na buhay , , , , , suriin ang estado ng kalusugan , , , i-optimize ang siklo ng pag-charge , , tantyahin ang distribusyon ng pagkabigo , kahit na gabayan ang disenyo ng baterya , , at hulaan ang pagganap sa buong buhay kaagad pagkatapos ng pagmamanupaktura . Sa kaso ng pag-recycle ng baterya, kakaunting mga gawa ang nag-imbestiga ng machine learning patungkol sa mga materyales ng cathode , , na nagpaparatang sa kakulangan ng data ng baterya, lalo na para sa mga nag-cycled hanggang sa yugto ng pagtatapos ng buhay. Ang napakaraming bilang ng mga nai-publish na pag-aaral ay nagpapakita ng napakalimitadong laki ng sample  at mas limitado pa sa pagkakaiba-iba ng cathode ng baterya . Ang kakulangan ay nauugnay sa masinsinang gastos, mahabang oras ng pagsubok , at higit sa lahat, ang privacy ng data dahil sa mga komersyal o interes na alalahanin. Dahil dito, ang isyu sa privacy ay nagpapatigas sa dilema kung saan ang umiiral na data ng baterya, bagaman malaki sa dami at pagkakaiba-iba mula sa maraming partido tulad ng mga tagagawa ng baterya, mga praktikal na aplikasyon, mga institusyong pang-akademiko, at mga ikatlong platform, ay hindi maaaring ibahagi. Ang ganitong dilema ay nananawagan sa pag-aaral ng pag-aayos ng materyales ng cathode upang ma-optimize ang pagpili ng ruta ng pag-recycle ng baterya sa isang sama-sama habang pinapanatili ang privacy. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Ang federated machine learning, bilang isang ipinamamahagi at privacy-preserving paradigm, ay may potensyal na lutasin ang parehong multi-party na kolaborasyon (katumbas, ang dami at pagkakaiba-iba ng data ng baterya) at mga isyu sa privacy sa pamamagitan ng collaborative machine learning , , . Sa bawat pag-ulit ng pagsasanay, ang mga ipinamamahagi na may-ari ng data ay nagsasagawa ng lokal na pagsasanay gamit ang kanilang lokal na kapangyarihan sa pag-compute, nag-e-encrypt ng mga parameter/resulta ng modelo na na-train, at ina-upload ang mga ito sa isang sentral na tagapag-ugnay para sa pagtitipon. Ang mga katotohanan na ang mga raw dataset ay hindi umaalis sa kani-kanilang mga may-ari ng data at ang mga inilipat na parameter/resulta ay maayos na naka-encrypt upang protektahan ang privacy ng data. Ang Federated machine learning ay malawakang nasuri sa maraming mga nasasakupang larangan, kabilang ang pampublikong kalusugan , , klinikal na diyagnosis , , , e-commerce , Internet of Things , mobile computing , at smart grid , , . Maaari nitong baguhin ang paradigm ng pananaliksik na hinihimok ng data sa malawak na mga sektor ng enerhiya sa pamamagitan ng pagpapagana ng kolaborasyon na nagpapanatili ng privacy, lalo na para sa mga may limitadong pag-access sa data. Tungkol sa sektor ng pag-recycle ng baterya, ang federated machine learning ay nagpapalagay ng magagandang posibilidad para sa paggamit ng malaking dami ng data ng baterya na umiiral na ngunit hindi maaaring ibahagi dahil sa mga alalahanin sa privacy. Sa ganitong sama-sama habang privacy-preserving paradigm, ang pag-aayos ng itinatapong baterya ay maaaring ipatupad na may mataas na katumpakan, kahusayan, scalability, at pangkalahatan, na ino-optimize ang kalidad at tubo ng mga recycled na produkto. Sa aming kaalaman, ang mga pag-aaral sa federated machine learning na nakatuon sa pag-recycle ng baterya ay hindi pa naiulat. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 Sa pag-aaral na ito, nagsasagawa kami ng pag-aayos ng materyales ng cathode ng mga itinatapong baterya, na ginagamit ang umiiral na data ng baterya mula sa maraming kasosyo, tulad ng mga tagagawa ng baterya, mga operator ng praktikal na aplikasyon, mga institusyong pang-akademikong pananaliksik, at mga ikatlong platform, sa isang sama-sama habang privacy-preserving machine learning fashion tulad ng inilarawan sa Fig.  . Ang aming federated machine learning model ay sinanay gamit lamang ang isang siklo ng data ng pagsubok sa larangan sa pamamagitan ng isang standardized na proseso ng feature extraction, nang walang anumang paunang kaalaman sa mga kondisyon ng operasyon sa kasaysayan. Inihahambing namin ang predictive power ng aming federated machine learning model sa mga independiyenteng natutunan na lokal na modelo batay sa lokal na data sa ilalim ng parehong magkakatulad at magkakaibang mga kondisyon ng pag-recycle ng baterya. Ang isyu ng heterogeneity ay nalutas ng aming iminungkahing Wasserstein-distance voting strategy. Isang ekonomikong pagsusuri ng pag-recycle ng itinatapong baterya gamit ang aming iminungkahing federated machine learning framework ay isinagawa, na nagbibigay-diin sa kaugnayan at pangangailangan ng tumpak na pag-aayos ng mga itinatapong baterya. Komprehensibong tinatalakay namin ang interpretability ng modelo, mga implikasyon sa pag-recycle ng baterya, at mas malawak na mga prospect ng hinaharap na kasanayan sa pag-recycle ng baterya na isinama sa federated machine learning. 1    Maraming mga mapagkukunan ng data, tulad ng mga tagagawa ng baterya (Larawan ng kagandahang-loob ng Addionics), mga operator ng praktikal na aplikasyon (pack ng baterya sa sahig ng isang Tesla. Larawan ng kagandahang-loob ng Tesla), mga institusyong pang-akademikong pananaliksik, at mga ikatlong platform, ay maaaring maging mga nag-aambag ng data. Ang data ng baterya ay hindi ipinagpapalit sa pagitan ng mga kontribyutor o ina-upload sa recycler ng baterya. Sa halip, ang mga nag-aambag ng data ay nagsasanay ng mga lokal na modelo at nagbabahagi ng mga parameter ng modelo sa recycler ng baterya upang bumuo ng isang global na modelo. Ang iminungkahing Wasserstein-distance voting technique ay pinagsasama ang mga lokal na modelo sa global na modelo, na matatag sa hindi pagkakapantay-pantay ng data at ingay. Maaaring gamitin ng mga recycler ng baterya ang pinagsamang modelo para sa pag-aayos ng baterya, na kasama ng madaling ma-access na data ng pagsubok sa larangan.   Hinihikayat ng aming federated machine learning framework ang mga kasosyo na ibahagi ang data habang pinapanatili ang privacy ng data taliwas sa tradisyonal na paradigm ng data islanding. a b Mga Resulta Pagkolekta at pag-standardize ng data Ang natatanging kinetics ng baterya sa iba't ibang uri ng baterya ay kadalasang high-dimensional at mahirap ilarawan dahil sa magkakaibang mga kaso ng operasyon, pagkakaiba-iba ng pagmamanupaktura, at mga nakaraang paggamit . Upang makahanap ng solusyon sa dilemang ito, kinolekta at isinaayos namin ang 130 itinatapong baterya na may 5 uri ng materyales ng cathode mula sa 7 tagagawa upang bumuo ng isang out-of-distribution, katumbas na magkakaibang dataset. Dahil sa iba't ibang nakaraang paggamit, ang mga kapasidad ng nakolektang baterya ay mas mababa sa 90% ng nominal na kapasidad. Ang mga materyales ng cathode ng baterya ay lithium cobalt oxide (LCO), nickel manganese cobalt (NMC), lithium ferrophosphate (LFP), nickel-cobalt-aluminum oxide (NCA), at mga uri ng pinaghalong NMC-LCO, na higit pang pinagsasama-sama sa 9 na klase batay sa mga tagagawa (Suplementaryong Talahanayan  ). Sadyang isinama namin ang mga baterya na may magkakaibang nakaraang paggamit, mula sa pagsubok sa laboratoryo hanggang sa mga profile ng pagmamaneho ng electric vehicle, upang sanayin ang isang pangkalahatang modelo para sa recycler ng baterya na independiyente sa mga nakaraang paggamit at uri ng baterya. 52 1 Para sa standardisasyon, lahat ng kinakailangang data mula sa recycler ay ang kasalukuyang sinusuri (field-testing) na siklo na may isang pagsubok sa pag-charge at pag-discharge, na madaling ipatupad sa mga praktikal na kaso. Ang mga nasuring data ay unang denoised sa pamamagitan ng pagpuno ng mga nawawalang halaga, pagpapalit ng mga outlier, at pagsasagawa ng median filtering. Ang mga ingay na dulot ng tao at dulot ng pagkakaiba-iba ng cathode ay sadyang pinananatili, gayunpaman, upang gawing matatag ang modelo sa mga hindi perpektong input. Ang data ay pagkatapos ay linearly interpolated para sa curve filling (Suplementaryong Fig.  ) at feature engineered para sa dimensionality reduction, na may ibinahaging hanay ng mga parameter ng standardisasyon (Suplementaryong Paalala  ). Ang mga feature na nakuha mula sa pipeline ng standardisasyon ay mahusay na interpretable, isang alalahanin ng malaking komersyal na interes. Sa aming kaalaman, ito ang unang pagkakataon na ang magkakaibang data ng baterya mula sa maraming mapagkukunan at nakaraang paggamit ay ginamit upang tulungan sa disenyo ng estratehiya para sa pag-recycle ng baterya. 1 1 Ang Figure  a,   ay nagpapakita ng proseso ng feature engineering. Nakatuon kami sa charging at discharging curve ng mga itinatapong baterya sa huling siklo, ibig sabihin, isang siklo ng pag-charge at isang siklo ng pag-discharge (Suplementaryong Figs.  – ). Sa siklo ng pag-charge, 15 feature ang nakuha mula sa boltahe-kapasidad at dQ/dV curve, kung saan ang V at Q ay tumutukoy sa mga halaga ng boltahe at kapasidad, ayon sa pagkakabanggit. Ang parehong hanay ng mga feature ay nakuha para sa discharging cycle. Bilang resulta, ang kabuuang 30 feature ang nakuha, tulad ng ipinahiwatig mula sa F1 hanggang F30. Sumangguni sa Suplementaryong Talahanayan   at Suplementaryong Paalala   para sa detalyadong paliwanag ng mga feature. Ang Figure  c ay nagpapakita ng absolute at relatibong mga halaga ng feature ng mga napiling baterya mula sa bawat klase. Karamihan sa mga relatibong halaga ng feature sa iba't ibang klase ay nag-o-overlap sa rehiyon na −1 hanggang 0 (na may light green na kulay) at hindi makikilala, na nagpapakita ng kahirapan sa pagklasipika ng uri ng baterya gamit ang isang siklo ng data ng baterya. Ang kahirapan ay inaasahan dahil ang mga magkakaibang kondisyon ng operasyon sa kasaysayan ay maaaring makaimpluwensya sa charging-discharging kinetics ng mga baterya upang ang mga nakuha na feature ay maaaring malawakang nauugnay sa kabila ng iba't ibang uri ng baterya (Suplementaryong Fig.  ). Sa halip na direktang bigyang-kahulugan ang mga nakuha na feature gamit ang kaalaman ng eksperto, gumamit kami ng isang alternatibong pamamaraan na hinihimok ng data na awtomatikong ginagamit ang mga nakatagong pattern sa iba't ibang uri ng baterya. 2 b 2 5 2 2 2 6    Para sa proseso ng pag-charge, 15 feature ang nakuha mula sa boltahe-kapasidad (kaliwa) at dQ/dV curve (kanan).   Ang parehong hanay ng mga feature ay para sa proseso ng pag-discharge bilang F16 hanggang F30.   Ang mga feature ay nakikita ng mga klase, sinusunod ang format na CxBn, na nagpapahiwatig ng ika-n na baterya mula sa klase x. Ang laki ng isang bilog ay sumusukat sa absolute na halaga ng feature. Ang source data ay ibinigay bilang isang Source Data file. a b c

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

Ang audio na ito ay ginawa sa orihinal na wika ng kuwento!

Ang Ligtas na AI na Ito ay Maaaring Gawing Malaking Kita ang Basura ng Baterya.

About Author

MGA KOMENTO

HANG TAGS

ANG ARTIKULONG ITO AY IPINAKITA SA

Related Stories

Encrypted Instant Messaging Recommendations January 2017

Getting intimate with Ethereum tokens

How I deployed my spark document classification(Logistic Regression) model/s as a standalone app…

Hosting a DNS domain on the blockchain

Encrypted Instant Messaging Recommendations January 2017

Getting intimate with Ethereum tokens

How I deployed my spark document classification(Logistic Regression) model/s as a standalone app…

Hosting a DNS domain on the blockchain

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps