
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Mga May-akda: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Abstrakto Ang mabilis at tumpak na pagtatantya ng estado ng kalusugan (SOH) ng mga retiradong baterya ay isang mahalagang paunang paggamot para sa muling paggamit at pag-recycle. Gayunpaman, ang mga pamamaraan na batay sa data ay nangangailangan ng masusing pag-curate ng data sa ilalim ng mga kondisyon ng retirement ng SOH at estado ng singil (SOC) na random. Dito, ipinapakita namin na ang pagtatantya ng SOH na tinulungan ng generative learning ay may potensyal sa pagpapagaan ng mga hamon ng kakulangan at pagkakaiba-iba ng data, na napatunayan sa pamamagitan ng isang pulse injection dataset ng 2700 mga retiradong sample ng lithium-ion battery, na sumasaklaw sa 3 uri ng cathode material, 3 pisikal na format, 4 na disenyo ng kapasidad, at 4 na nakaraang paggamit na may 10 antas ng SOC. Gamit ang nabuong data, ang isang regressor ay nagsasagawa ng tumpak na mga pagtatantya ng SOH, na may mga mean absolute percentage error na mas mababa sa 6% sa ilalim ng hindi nakitang SOC. Hinuhulaan namin na sa pag-aakala ng pantay na pagpapakalat ng ipinanukalang pamamaraan, ito ay makakatipid ng 4.9 bilyong USD sa mga gastos sa kuryente at 35.8 bilyong kg ng mga emisyon ng CO2 sa pamamagitan ng pagpapagaan ng mga gastos sa pag-curate ng data para sa isang 2030 na pandaigdigang sitwasyon ng pagreretiro ng baterya. Binibigyang-diin ng papel na ito ang paggamit ng limitadong data para sa paggalugad ng pinalawak na espasyo ng data gamit ang mga generative na pamamaraan, dahil ang data ay maaaring maging matagal, mahal, at marumi upang makuha para sa maraming mga gawain sa pagtatantya at panghuhula. Introduksyon Ang elektrisipikasyon ng transportasyon, isang kritikal na sektor sa paglipat patungo sa mababang-carbon na enerhiya , ay hindi pa nagagawang baguhin ang batay sa fossil fuel na paradigma ng transportasyon. Ang mga bateryang lithium-ion ay mahalaga sa paglipat na ito sa pamamagitan ng pagbibigay ng abot-kaya, matibay, at ligtas na mga suplay ng enerhiya sa mga de-kuryenteng sasakyan (EV) , . Ang kabuuang kapasidad ng mga ginagamit at mga baterya ng EV na tapos na ang buhay ay lalampas sa 32–62 tera-watts sa pamamagitan ng 2050, mas mataas kaysa sa pagtatantya sa mga sitwasyon ng International Renewable Energy Agency at Storage Lab . Gayunpaman, ang mga retiradong baterya ng EV ay mahigpit na kinokontrol na may malaking natitirang halaga ng kapasidad na hindi gaanong nagagamit, karaniwang higit sa 80% ng nakatalagang kapasidad , . Kung hindi mahahawakan nang maayos, ito ay humahantong sa mga pasanin sa ekonomiya  para sa mga tagagawa at gumagamit, pati na rin sa mga kasunod na isyu sa kapaligiran at lipunan , kabilang ang pag-aaksaya ng mapagkukunan, mga panganib sa supply chain, at mga emisyon ng carbon , , . 1 2 3 4 5 6 7 8 9 10 11 Ang mga magagandang estratehiya upang matugunan ang mga alalahanin tungkol sa pabago-bagong pagdagsa ng pagreretiro ng baterya ay ang muling paggamit , ,  at pag-recycle . Sa muling paggamit, ang mga retiradong baterya ay muling ginagamit para sa mga aplikasyon tulad ng mga sistema ng imbakan ng enerhiya na konektado sa grid , mga suplay ng kuryente sa bahay , at mga sasakyan na mabagal ang takbo. Gayunpaman, ang muling paggamit ay nangangailangan ng paunang mga paggamot, kabilang ang pag-screen para sa pagkakapare-pareho , pag-uuri ng kapasidad , at muling pagpapangkat ,  upang matugunan ang mga kinakailangan sa aplikasyon . Sa kabila ng pagsisimula ng mga pilot program , , , ang kawalan ng mahigpit na pamantayan para sa mga sitwasyon ng paggamit at mga landas ng pagreretiro ay humahadlang sa makatwirang paggamit ng natitirang kapasidad . Sa kabilang banda, ginagamit ng pag-recycle ang mga natitirang halaga ng mga retiradong baterya sa pamamagitan ng pagkuha ng materyales o pagkumpuni ng istruktura , , na angkop para sa mga retiradong baterya na hindi na maayos na nasira. Kumpara sa pyrometallurgy at hydrometallurgy , , ang direktang pag-recycle ay namumukod-tangi para sa superyor na pagiging kumikita, mas mababang pagkonsumo ng enerhiya, at nabawasan ang mga emisyon ng carbon , , . Sa pamamagitan ng paggamit ng pagpapanumbalik ng lithium at pag-post-processing ng mga materyales ng cathode, ang direktang pag-recycle ay nakakamit ng mahusay na pagkumpuni ng istruktura ng materyal, at pagpapanumbalik ng pagganap . Gayunpaman, ang estado ng kalusugan (SOH) ay tumutukoy sa kinakailangang kemikal na reagent at inaasahang mga dosis ng suplemento ng lithium sa mga pormulasyon ng estratehiya sa direktang pag-recycle , , . Ang hindi sapat na dosis ay maaaring magresulta sa hindi kumpletong pagkumpuni, habang ang labis na dosis ay maaaring humantong sa pagbuo ng natitirang alkali sa ibabaw ng cathode, na nagpapalala sa pagganap ng pagpapanumbalik , . Sa kasamaang palad, ang pagkuha ng SOH ay nangangailangan ng mga invasive na pagsusuri ng materyal ,  at mahabang mga pagsusuri sa pag-calibrate ng kapasidad, ang non-invasive, mabilis, at sustainable na pagkuha ng SOH ay nananatiling isang natatanging hamon. 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 Upang matiyak ang pare-parehong impormasyon sa SOH, sinusubaybayan ang mga baterya ng EV, at itinatala ang data ng operasyon ng mga cloud platform  at mga pasaporte ng baterya . Ang European Parliament ay nagpatibay ng Baterya Directive noong Hunyo 14, 2023, upang matiyak na ang mga retiradong baterya ay maaaring muling gamitin, i-recondition, o i-recycle sa pagtatapos ng buhay ng serbisyo . Gayunpaman, ang kinakailangang pamamaraan ng pagsubaybay at pag-record ay halos naa-access lamang sa yugto ng serbisyo ng EV, ang mga retiradong baterya ay hindi na konektado sa unit ng pagsubaybay sa loob ng sasakyan. Kaya, mahirap makuha ang data ng SOH na magagamit sa field. Ang integridad ng data ng buhay ay nananatiling isang malaking hamon, na tumatawag para sa pagtatantya ng SOH gamit lamang ang data sa field, salungat sa nakaraang data o sa ilalim ng mga kontroladong kondisyon , , . Ang isang solusyon ay ang magsagawa ng isang pagsubok sa pag-calibrate ng kapasidad sa larangan ng koleksyon ng mga retiradong baterya, hal., pag-condition ng estado ng singil (SOC), na prangka, gayunpaman, nangangailangan ito ng hindi kayang bayaran na oras ng pagsubok at dagdag na gastos sa kuryente. Ang hybrid pulse power characterization test ay isang alternatibo para sa pagtatantya ng SOH sa pamamagitan ng dynamic pulse injection, ngunit ang kumpletong sequence ng pagsubok ay tumatagal ng higit sa 12 oras. Ginamit ng Tao et al. ang mga maikling pulso para sa pagtatantya ng SOH ng mga retiradong baterya, sa pag-aakala na ang isang SOC conditioning sa 5% SOC ay ginawa, na halos hindi tugma sa mga random na kondisyon ng pagreretiro ng SOC . Ang mga kamakailang pagsulong sa mga sukat na batay sa sensor ay kinabibilangan ng X-ray imaging , electrochemical impedance , , optical fiber sensing , , acoustics sensing , , partial charging , , at pulse injection , . Ang mga pamamaraan na batay sa sensing ay nasa laboratory stage dahil sa invasion, habang ang pulse injection ay nagtatampok ng pag-untangle ng pagkasira ng baterya nang walang pisikal na pinsala, kasabay nito ay mas mabilis kaysa sa partial charging at electrochemical impedance-based na pamamaraan , , , , , . Gayunpaman, ang pulse injection ay isang data-centric na pamamaraan na gumagana lamang sa ilalim ng ideal na pag-aakala na ang pisikal na sinusukat na data ay sumasaklaw sa mga kondisyon ng pagreretiro ng yugto ng pagpapakalat ng modelo, na kilala bilang karaniwang hamon ng domain shift sa komunidad ng machine learning. Sa kabila ng mga pagsulong sa transfer learning at domain adaption methods , , , ang mga hamon ay nananatili dahil ang target domain na iuugnay ay nangangailangan pa rin ng paunang impormasyon sa pagpapakalat, at ang mga kasalukuyang pamamaraan ng pag-aaral ay mahirap i-update para sa mga random na kondisyon ng pagreretiro . Ang isang alternatibo ay ang pag-unat ng saklaw ng pagsubok ng data sa ilalim ng mga hindi pa natutuklasang kondisyon ng pagreretiro upang mapagaan ang kakulangan at pagkakaiba-iba ng data habang maaari itong humantong sa pagtaas ng mga gastos. Ipinanukala ng Wang et al. ang isang pamamaraan ng paghuhukay ng temperatura upang i-interpolate ang mga kagustuhan sa reaksyon ng kinetic sa iba't ibang mga intermediate state sa panahon ng isang prosesong thermochemical, na nagpapahintulot sa pagbuo ng malawak na mga database ng pagsasanay sa minimal na gastos at sukat ng eksperimento sa thermochemistry bilang isang data augmentation para sa pagsasanay ng modelo ng machine learning . Bukod dito, ipinapakita rin ng generative learning ang mga posibilidad ng pagtatantya ng SOH na may mga augmented na data mula sa bahagyang cycled na mga profile, nakakatipid ng kinakailangang pisikal na sinusukat na data , . Gayunpaman, ang kakulangan at pagkakaiba-iba ng data sa konteksto ng muling paggamit at pag-recycle ng baterya ay mas kumplikado dahil sa isang pinaghalong mga uri ng cathode material, pisikal na format, disenyo ng kapasidad, at nakaraang mga paggamit, na nililimitahan ang potensyal na pagsasama ng kaalaman na partikular sa kondisyon ng mga pagkasira sa mga modelo ng machine learning. Kaya, makatwirang isaalang-alang ang dependency relationship sa pagitan ng mga kondisyon ng pagreretiro at mga tugon sa boltahe ng pulso para sa pagbuo ng data, na walang mahabang time series capacity calibration at karagdagang pisikal na eksperimento nang sabay-sabay, upang mapalakas ang pagganap ng pagtatantya ng 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 Sa pag-aaral na ito, nagsasagawa kami ng paunang pagtrato sa retiradong baterya, hal., pagtatantya ng SOH, gamit ang data ng tugon ng boltahe ng pulso na nabuo ng isang attentional variational autoencoder sa isang nai-save na oras at gastos ng pisikal na pagsukat. Ang mataas na antas na proseso ng mga pangkalahatang hakbang ng paunang pagtrato, pagsasanay ng generative model, at mga praktikal na hakbang ng pagpapakalat ng modelo ay inilalarawan sa Fig.  . Ang ideya ng pananaliksik ay gamitin ang generative learning upang mapakinabangan ang data na nasukat na para sa paggalugad ng mga tugon ng boltahe ng pulso sa patuloy na mga kondisyon ng pagreretiro, hal., distribusyon ng SOC sa yugto ng koleksyon ng mga retiradong baterya. Ang downstream na pagtatantya ng SOH ay ipinapatupad nang walang pisikal na sinusukat na data ng tugon ng pulso, nakakatipid ng mga gastos sa kuryente para sa paunang pagtrato at mga emisyon ng carbon na kung hindi man ay kinakailangan mula sa pag-condition ng SOC sa inaasahang antas. Kumpara sa ampere-hour integral method at machine-learning pulse injection, ang generative learning ay nagbibigay-diin sa mas mabilis na bilis ng henerasyon at tumpak na pagtatantya. Gamit ang nabuong data, isang simpleng regressor ang matagumpay na nagtatantya ng SOH na may mababang error sa ilalim ng hindi nakikita o hindi naa-access na mga kondisyon ng pagreretiro ng SOC sa database, isang mapaghamong out-of-distribution (OOD) na isyu. Ang isyu ng OOD ay nalutas sa pamamagitan ng pag-aaral ng minana na pisikal na pattern sa pagitan ng kondisyon ng SOC at tugon ng boltahe na dulot ng mabilis na pulso. Ipinapakita namin ang generalizability ng aming pamamaraan sa pamamagitan ng pagpapatunay sa pamamagitan ng 2700 pisikal na sinusukat na mga sample, na sumasaklaw sa 3 uri ng cathode material, 3 pisikal na format, 4 na disenyo ng kapasidad, at 4 na nakaraang paggamit (1 laboratory accelerated aging, 3 purong EV driving, at 2 hybrid EV driving). Ang generative learning ay angkop para sa interpolasyon at ekstrapolasyon sa pamamagitan ng pagsasama ng paunang kaalaman ng mga kondisyon ng pagreretiro sa latent space scaling ng mga parameter ng modelo, nakakatipid ng oras ng pagsukat, gastos sa kuryente, at mga kasunod na emisyon ng carbon nang hindi nakompromiso ang katumpakan ng pagtatantya ng SOH. Ang isang konserbatibong pandaigdigang case study ng pagreretiro ng baterya noong 2030 ay nagbibigay-diin sa kahalagahan ng mabilis at sustainable na pagtatantya ng SOH sa mga sitwasyon ng pyrometallurgical, hydrometallurgical, at direktang pag-recycle. Sa pamamagitan ng teknikal-ekonomiyang pagsusuri, ang pagtatantya ng SOH na tinulungan ng generative learning ay maaaring makatipid ng $4.9 bilyong gastos sa kuryente at 35.8 bilyong kg ng mga emisyon ng CO2 sa pamamagitan ng 2030 sa buong mundo. Tinatalakay namin ang interpretability ng modelo, mga implikasyon sa paunang pagtrato sa pag-recycle, at mas malawak na mga aspeto ng mga direksyon sa hinaharap na smart recycling pretreatment na isinama sa machine learning. 1    Ang mga hakbang ng paunang pagtrato sa retiradong baterya ay kinabibilangan ng SOC conditioning, mga pisikal na sukat, machine learning para sa diagnosis ng SOH, at ang ikalawang yugto ng pagdedesisyon bago muling gamitin o i-recycle. Ang SOC conditioning ay tumutukoy sa pag-aayos ng mga halaga ng SOC ng mga retiradong baterya sa mga nais na antas gamit ang tradisyonal na constant current constant voltage (CCCV) method.   Ang eskematiko ng attentional variational autoencoder para sa pagbuo ng data ng tugon ng boltahe ng pulso.   Ang praktikal na paggamit ng modelo ng pagbuo ng data para sa pagtatantya ng SOH ay nangangailangan ng walang karagdagang SOC conditioning. Ang sinanay na modelo ng machine learning ay pinamamahalaan ng nabuong data at tumatanggap ng agarang mga tugon ng boltahe ng pulso kapag nasa yugto ng pagpapakalat.   Ang mga benepisyo sa ekonomiya at kapaligiran at ang mabilis na bilis ng henerasyon ng aming generative learning methodology sa pamamagitan ng pag-save ng mga gastos sa SOC conditioning sa 2030 global na sitwasyon ng pagreretiro ng baterya. a b c d Resulta Pagkuha ng Dataset Ang kakulangan at pagkakaiba-iba ng data ay mga pangunahing hamon sa data-driven na diagnosis at prognosis ng baterya, lalo na para sa mga retiradong baterya. Nakakalap kami ng 2700 na sample mula sa 270 pisikal na retiradong baterya sa malawak na mga antas ng SOC, hal., mula 5% hanggang 50% na may 5% na grain. Sa Fig.  , ang dataset ay sumasaklaw sa 3 nauuso na uri ng cathode material, kabilang ang 119 pisikal na nakolektang NMC (nickel manganese cobalt oxide), 56 LFP (lithium iron phosphate), at 95 LMO (lithium manganese oxide) na mga retiradong baterya, na sumasaklaw sa 3 pisikal na format (cylindrical, pouch, prismatic) at 4 na nakaraang pattern ng paggamit (1 laboratory accelerated test, 3 EV usages, kabilang ang 1 purong electrified power-train mode at 2 hybrid power-train modes). Binibigyang-diin namin na ang pagsasama ng mga lubos na magkakaibang mga sample ng pagsubok ay ginagawang pinakamalaking dataset na batay sa mabilis na pulso para sa pagtatantya ng SOH ng mga retiradong baterya hanggang sa kasalukuyan, na nagpapadali sa generalizability ng modelo lampas sa mga pisikal na sinusukat na dataset. 2a    Ang Sankey plot para sa distribusyon ng mga retiradong baterya, binubuo ng mga uri ng cathode material, pisikal na format, disenyo ng kapasidad, at nakaraang paggamit.   Pulse current at ang kasunod na tugon ng boltahe ng mga retiradong baterya, kung saan ang mga tampok ay kinuha mula sa mga turning point, hal., ang mga punto na may zero second-order derivative ng voltage response curve. Ang 21 feature points, mula U1 hanggang U21, ay kinuha. Ang recording frequency para sa raw data ay 100 Hz. Ang natitirang oras ay 25 segundo sa pagitan ng bawat pulso sa C-rate. Tandaan na ang termino C ay nangangahulugang charge (discharge) rate kapag ang 1 h ng charge (discharge) ay ginagawa. Ang ambient temperature ay kinokontrol sa 25 °C.   Ang distribusyon ng estado ng kalusugan (SOH) (Gaussian fit) ng mga retiradong baterya na 2.1 Ah at 21 Ah para sa ilustrasyon, ayon sa pagkakabanggit. Para sa distribusyon ng SOH ng iba pang mga uri ng baterya, maaaring sumangguni sa Supplementary Fig.  .  a b c 1

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!

Generative AI Nagpapagana ng Sustainable Reuse ng Mga Retired na Lithium-Ion na Baterya

About Author

MGA KOMENTO

HANG TAGS

ANG ARTIKULONG ITO AY IPINAKITA SA

Related Stories

Encrypted Instant Messaging Recommendations January 2017

COVID-19: We Need More Than Data, We Need Insights!

State of the Noonion: The Year of Profitability and Product Renaissance

Hosting a DNS domain on the blockchain

Encrypted Instant Messaging Recommendations January 2017

COVID-19: We Need More Than Data, We Need Insights!

State of the Noonion: The Year of Profitability and Product Renaissance

Hosting a DNS domain on the blockchain

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps