
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Buod Ang mabilis at tumpak na pagtatantya ng estado ng kalusugan (SOH) ng mga ginamit na baterya ay isang mahalagang paunang paggamot para sa muling paggamit at pag-recycle. Gayunpaman, ang mga pamamaraang batay sa data ay nangangailangan ng kumpletong pag-curate ng data sa ilalim ng mga kondisyon ng pagreretiro na may random na SOH at estado ng singil (SOC). Dito, ipinapakita namin na ang pagtatantya ng SOH na tinulungan ng generative learning ay may potensyal sa pagpapagaan ng mga hamon sa kakulangan at pagkakaiba-iba ng data, na napatunayan sa pamamagitan ng isang dataset ng pulse injection na binubuo ng 2700 na ginamit na lithium-ion battery samples, na sumasaklaw sa 3 uri ng cathode material, 3 pisikal na format, 4 na disenyo ng kapasidad, at 4 na makasaysayang paggamit na may 10 antas ng SOC. Gamit ang nabuong data, isang regressor ang nagsasagawa ng tumpak na mga pagtatantya ng SOH, na may average absolute percentage errors na mas mababa sa 6% sa ilalim ng hindi nakitang SOC. Hinuhulaan namin na sa pag-aakalang pare-pareho ang pagpapakalat ng iminungkahing pamamaraan, makakatipid ito ng 4.9 bilyong USD sa mga gastos sa kuryente at 35.8 bilyong kg ng CO2 emissions sa pamamagitan ng pagpapagaan ng mga gastos sa pag-curate ng data para sa isang 2030 pandaigdigang senaryo 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 pamamaraan ng henerasyon, dahil ang data ay maaaring maging matagal, mahal, at nakakalason upang makuha para sa maraming pagtatantya at mga predictive na gawain. Panimula Ang elektrisipikasyon sa transportasyon, isang kritikal na sektor sa isang low-carbon energy transition , ay walang kaparis na nagbago sa tradisyunal na pamamaraan ng transportasyon na nakabatay sa fossil fuel. Ang mga bateryang lithium-ion ay mahalaga sa paglipat na ito sa pamamagitan ng pagbibigay ng abot-kaya, matatag, at ligtas na mga suplay ng enerhiya sa mga de-kuryenteng sasakyan (EV) , . Ang kabuuang kapasidad ng mga ginagamit at mga ginamit na baterya ng EV ay lalampas sa 32–62 terra-watts pagsapit ng 2050, na mas mataas kaysa sa pagtatantya sa mga senaryo ng International Renewable Energy Agency at Storage Lab . Gayunpaman, ang mga ginamit na baterya ng EV ay mahigpit na kinokontrol na may malaking natitirang halaga ng kapasidad na hindi lubos na nagagamit, karaniwang higit sa 80% ng nakasaad na kapasidad , . Kung hindi mahahawakan nang maayos, ito ay humahantong sa mga pasanin sa ekonomiya  para sa mga tagagawa at gumagamit, pati na rin ang 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 may potensyal na estratehiya upang matugunan ang mga alalahanin tungkol sa biglaang pagdami ng pagreretiro ng baterya ay ang muling paggamit , ,  at pag-recycle . Sa muling paggamit, ang mga ginamit na 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 mga tahanan , at mga sasakyang mabagal ang takbo. Gayunpaman, ang muling paggamit ay nangangailangan ng paunang mga paghahanda, kabilang ang pagsusuri ng pagkakapare-pareho , pag-uuri ng kapasidad , at pagpapangkat muli ,  upang matugunan ang mga kinakailangan sa aplikasyon . Sa kabila ng pagsisimula ng mga pilot program , , , ang kawalan ng mahigpit na mga pamantayan para sa mga senaryo ng paggamit at mga landas ng pagreretiro ay humahadlang sa makatuwirang paggamit ng natitirang kapasidad . Ang pag-recycle ay alternatibong gumagamit ng natitirang mga halaga ng mga ginamit na baterya sa pamamagitan ng pagkuha ng mga materyales o pag-aayos ng istraktura , , na angkop para sa mga bateryang hindi na maayos na nasira. Kumpara sa pyrometallurgy at hydrometallurgy , , ang direktang pag-recycle ay namumukod-tangi para sa mas mataas na tubo, mas mababang pagkonsumo ng enerhiya, at nabawasang mga emisyon ng carbon , , . Gamit ang pagpuno ng lithium at post-processing ng mga materyales ng cathode, ang direktang pag-recycle ay nakakamit ng mahusay na pag-aayos ng istraktura ng materyal, at pagpapanumbalik ng pagganap . Gayunpaman, ang estado ng kalusugan (SOH) ay tumutukoy sa kinakailangang kemikal na reagent at inaasahang mga dosis ng pagpuno ng lithium sa mga pormulasyon ng direktang estratehiya sa pag-recycle , , . Ang kakulangan sa dosis ay maaaring humantong sa hindi kumpletong pag-aayos, 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 invasive na pagsusuri ng materyal ,  at mahahabang pagsubok sa pagkakalibrate ng kapasidad, ang non-invasive, mabilis, at napapanatiling 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 ng SOH, ang mga baterya ng EV ay binabantayan, at ang data ng operasyon ay naitatala ng mga cloud platform  at mga battery passport . Ang European Parliament ay nagpatibay ng Batteries Directive noong Hunyo 14, 2023, upang matiyak na ang mga ginamit na baterya ay maaaring muling gamitin, muling kumpunihin, o i-recycle sa pagtatapos ng buhay ng serbisyo . Gayunpaman, ang kinakailangang pamamaraan ng pagsubaybay at pag-record ay bihira lamang na naa-access sa yugto ng serbisyo ng EV, ang mga ginamit na baterya ay hindi na konektado sa unit ng pagsubaybay sa loob ng sasakyan. Kaya, mahirap makuha ang data ng SOH na available sa larangan. Ang integridad ng data ng buhay ay nananatiling isang malaking hamon, na nangangailangan ng pagtatantya ng SOH gamit lamang ang data sa larangan, salungat sa historikal na data o sa ilalim ng mga kontroladong kondisyon , , . Ang isang solusyon ay magsagawa ng pagsubok sa pagkakalibrate ng kapasidad sa larangan ng koleksyon ng ginamit na baterya, ibig sabihin, SOC conditioning, na direkta, gayunpaman, nangangailangan ito ng hindi kayang bayaran na oras ng pagsubok at karagdagang mga 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 ni Tao et al. ang mga maiikling pulso para sa pagtatantya ng SOH ng mga ginamit na baterya, na ipinapalagay na isinagawa ang isang SOC conditioning hanggang 5% SOC, na halos hindi tugma sa mga kondisyon ng pagreretiro na random na SOC . Ang mga kamakailang pagsulong sa mga sensor-based na pagsukat ay kinabibilangan ng X-ray imaging , electrochemical impedance , , optical fiber sensing , , acoustics sensing , , partial charging , , at pulse injection , . Ang mga sensor-based na pamamaraan ay nasa yugto ng laboratoryo dahil sa pagiging invasive, habang ang pulse injection ay nagtatampok ng paghihiwalay ng pagkasira ng baterya nang walang pisikal na pinsala, kasabay na mas mabilis kaysa sa partial charging at mga pamamaraan na batay sa electrochemical impedance , , , , , . Gayunpaman, ang pulse injection ay isang data-centric na pamamaraan na posible lamang sa ilalim ng ideal na pagpapalagay na ang mga pisikal na nasukat na data ay sumasaklaw sa mga kondisyon ng pagreretiro ng yugto ng pagpapakalat ng modelo, na kilala bilang karaniwang hamon ng domain shift sa pamayanan ng machine learning. Sa kabila ng mga pagsulong sa transfer learning at mga pamamaraan ng domain adaptation , , , nananatili ang mga hamon dahil ang target na domain na iaayon ay nangangailangan pa rin ng paunang impormasyon sa pagpapakalat, at ang mga umiiral na pamamaraan ng pag-aaral ay halos hindi ma-update para sa mga kondisyon ng pagreretiro na random . Ang isang alternatibo ay ang pagpapalawak 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 mas mataas na mga gastos. Nagmungkahi si Wang et al. ng isang pamamaraan ng paghuhukay ng temperatura upang i-interpolate ang mga kagustuhan sa reaksyong kinetiko sa iba't ibang intermediate states sa panahon ng isang prosesong thermochemical, na nagpapahintulot sa pagbuo ng malawak na mga database ng pagsasanay sa minimal na sukat at gastos ng eksperimento sa thermochemistry bilang isang data augmentation para sa pagsasanay ng modelo ng machine learning . Bukod pa rito, ang generative learning ay nagpapakita rin ng mga posibilidad ng pagtatantya ng SOH na may augmented data mula sa mga bahagyang cycled na profile, na nakakatipid sa kinakailangang pisikal na nasubukan 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 pinaghalong mga uri ng materyales ng cathode, pisikal na format, disenyo ng kapasidad, at makasaysayang mga paggamit, na naglilimita sa potensyal na integrasyon ng kaalaman na tiyak sa kondisyon ng mga pagkasira sa mga modelo ng machine learning. Kaya, makatuwirang isaalang-alang ang dependency relationship sa pagitan ng mga kondisyon ng pagreretiro at mga tugon sa pulse voltage para sa henerasyon ng data, na hindi nagdudulot ng mahahabang time series capacity calibration at karagdagang pisikal na mga 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, isinasagawa namin ang paunang paggamot sa ginamit na baterya, ibig sabihin, pagtatantya ng SOH, gamit ang data ng tugon ng pulse voltage na nabuo ng isang attentional variational autoencoder sa isang nai-save na pisikal na oras at gastos sa pagsukat. Ang mataas na antas na proseso ng pangkalahatang mga hakbang sa paunang paggamot, pagsasanay ng generative model, at mga hakbang sa praktikal na pagpapakalat ng modelo ay inilalarawan sa Larawan.  . Ang ideya ng pananaliksik ay gamitin ang generative learning upang samantalahin ang data na nasukat na para sa paggalugad ng tugon ng pulse voltage sa mga patuloy na kondisyon ng pagreretiro, ibig sabihin, SOC distribution sa yugto ng koleksyon ng ginamit na baterya. Ang downstream na SOH estimation ay ipinatutupad nang walang pisikal na nasukat na data ng tugon ng pulse, nakakatipid ng mga gastos sa kuryente sa paunang paggamot 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 sa machine-learning pulse injection, ang generative learning ay nagbibigay-diin sa mas mabilis na bilis ng henerasyon at tumpak na pagtatantya. Sa nabuong data, isang simpleng regressor ang matagumpay na nagtatantya ng SOH na may mababang error sa ilalim ng hindi nakita o hindi maa-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 namamanang pisikal na pattern sa pagitan ng SOC condition at tugon ng boltahe na dulot ng mabilis na pulso. Ipinapakita namin ang pangkalahatang kakayahan ng aming pamamaraan sa pamamagitan ng pag-verify sa pamamagitan ng 2700 pisikal na nasukat na sample, na sumasaklaw sa 3 uri ng cathode material, 3 pisikal na format, 4 na disenyo ng kapasidad, at 4 na makasaysayang paggamit (1 laboratory accelerated aging, 1 purong EV driving, at 2 hybrid EV driving). Ang generative learning ay angkop para sa interpolation at extrapolation sa pamamagitan ng pagsasama ng naunang kaalaman tungkol sa mga kondisyon ng pagreretiro sa latent space scaling ng mga parameter ng modelo, nakakatipid ng oras ng pagsukat, mga gastos sa kuryente, at mga kasunod na emisyon ng carbon nang hindi nakompromiso ang katumpakan ng pagtatantya ng SOH. Isang konserbatibong pandaigdigang pag-aaral ng kaso ng pagreretiro ng baterya sa 2030 ang nagbibigay-diin sa kahalagahan ng mabilis at napapanatiling pagtatantya ng SOH sa mga sitwasyon ng pyrometallurgical, hydrometallurgical, at direktang pag-recycle. Sa pamamagitan ng pagsusuri sa teknikal-ekonomiko, 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 CO2 emissions pagsapit ng 2030 sa buong mundo. Tinalakay namin ang interpretability ng modelo, mga implikasyon sa pag-recycle ng pretreatment, at mas malawak na mga aspeto ng mga direksyon sa hinaharap na smart recycling pretreatment na isinama sa machine learning. 1    Ang mga hakbang sa paunang paggamot sa ginamit na baterya ay kinabibilangan ng SOC conditioning, pisikal na mga pagsukat, machine learning para sa diagnosis ng SOH, at ang proseso ng paggawa ng desisyon sa ikalawang buhay bago ang muling paggamit o pag-recycle. Ang SOC conditioning ay tumutukoy sa pag-aayos ng mga halaga ng SOC ng mga ginamit na baterya sa mga nais na antas gamit ang tradisyonal na constant current constant voltage (CCCV) na pamamaraan.   Ang eskematiko ng attentional variational autoencoder para sa henerasyon ng data ng tugon ng pulse voltage.   Ang praktikal na paggamit ng modelo ng henerasyon ng data para sa pagtatantya ng SOH ay hindi nangangailangan ng karagdagang SOC conditioning. Ang sinanay na modelo ng machine learning ay pinangangasiwaan ng nabuong data at tumatanggap ng mga agarang tugon ng pulse voltage kapag nasa yugto ng pagpapakalat.   Ang mga benepisyo sa ekonomiya at kapaligiran at mabilis na bilis ng henerasyon ng aming pamamaraan ng generative learning sa pamamagitan ng pag-save ng mga gastos sa SOC conditioning sa 2030 global battery retirement scenario. a b c d Mga 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 ginamit na baterya. Nakakolekta kami ng 2700 na sample mula sa 270 na pisikal na ginamit na baterya sa malawak na antas ng SOC, ibig sabihin, mula 5% hanggang 50% na may 5% na agwat. Sa Larawan.  , ang dataset ay sumasaklaw sa 3 nangingibabaw na uri ng materyal ng cathode, kabilang ang 119 na pisikal na nakolektang NMC (nickel manganese cobalt oxide), 56 LFP (lithium iron phosphate), at 95 LMO (lithium manganese oxide) na mga ginamit na baterya, na sumasaklaw sa 3 pisikal na format (cylindrical, pouch, prismatic) at 4 na makasaysayang 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 lubos na magkakaibang mga sample ng pagsubok ay ginagawang ang aming dataset ang pinakamalaking mabilis na pulse-based na dataset para sa pagtatantya ng SOH ng mga ginamit na baterya hanggang sa kasalukuyan, na nagpapadali sa pangkalahatang kakayahan ng modelo na higit pa sa mga pisikal na nasukat na dataset. 2a    Ang Sankey plot para sa distribusyon ng mga ginamit na baterya, ay binubuo ng mga uri ng materyal ng cathode, pisikal na mga format, mga disenyo ng kapasidad, at mga makasaysayang paggamit.   Pulse current at ang kasunod na tugon ng boltahe ng mga ginamit na baterya, kung saan ang mga tampok ay nakuha mula sa mga turning point, ibig sabihin, ang mga punto na may zero second-order derivative ng boltahe response curve. Ang 21 feature points, mula U1 hanggang U21, ay nakuha. Ang frequency ng pag-record para sa raw data ay 100 Hz. Ang natitirang oras ay 25 segundo sa pagitan ng bawat pulso sa C-rate. Tandaan na ang terminong C ay kumakatawan sa charge (discharge) rate kapag ang isang 1 h ng charge (discharge) ay isinagawa. Ang ambient temperature ay kontrolado sa 25°C.   Ang distribusyon ng estado ng kalusugan (SOH) (Gaussian fit) ng 2.1 Ah at 21 Ah na mga ginamit na baterya para sa ilustrasyon, ayon sa pagkakabanggit. Para sa distribusyon ng SOH ng iba pang uri ng baterya, maaari kang sumangguni sa Supplementary Fig.  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!

Pamumuno ng Generative AI ang Sustainable Reuse ng mga Itinanggal na Lithium-Ion na Baterya

About Author

MGA KOMENTO

HANG TAGS

ANG ARTIKULONG ITO AY IPINAKITA SA

Related Stories

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

Getting intimate with Ethereum tokens

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

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

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

Getting intimate with Ethereum tokens

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

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

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps