```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Yazarlar: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Özet Emekliye ayrılmış pillerin hızlı ve doğru sağlık durumu (SOH) tahmini, yeniden kullanım ve geri dönüşüm için kritik bir ön işlemektir. Bununla birlikte, veriye dayalı yöntemler, rastgele SOH ve şarj durumu (SOC) emeklilik koşulları altında kapsamlı veri kürlemesi gerektirir. Burada, üretken öğrenme destekli SOH tahmininin, 3 katot malzeme tipi, 3 fiziksel format, 4 kapasite tasarımı ve 10 SOC seviyesi ile 4 geçmiş kullanım içeren 2700 adet emekliye ayrılmış lityum-iyon pil örneğinden oluşan bir darbe enjeksiyon veri kümesiyle doğrulanan veri kıtlığı ve heterojenlik zorluklarını hafifletmede umut verici olduğunu gösteriyoruz. Üretilen veriler kullanılarak, bir regresör, görünmeyen SOC altında %6'nın altında ortalama mutlak yüzde hatası (MAPE) ile doğru SOH tahminleri gerçekleştirir. Önerilen tekniğin tek tip dağılımının varsayılmasının, 2030 küresel pil emeklilik senaryosu için veri kürleme maliyetlerini azaltarak 4,9 milyar ABD Doları elektrik maliyetinden ve 35,8 milyar kg CO2 emisyonundan tasarruf sağlayacağını tahmin ediyoruz. Bu makale, veri toplamanın birçok tahmin ve öngörü görevinde zaman alıcı, pahalı ve kirletici olduğu göz önüne alındığında, üretken yöntemler kullanarak sınırlı veriden yararlanarak genişletilmiş veri alanını keşfetmeyi vurgulamaktadır. Giriş Düşük karbonlu enerji geçişinin kritik bir sektörü olan ulaşım elektrifikasyonu , fosil yakıt bazlı ulaşım paradigmasını eşi görülmemiş bir şekilde yeniden şekillendirdi. Lityum-iyon piller, elektrikli araçlara (EV'ler) ,  ekonomik, dayanıklı ve güvenli enerji kaynakları sağlayarak bu geçişte hayati öneme sahiptir. Kullanımdaki ve kullanım ömrü sonundaki EV pillerinin toplam kapasitesinin 2050 yılına kadar Uluslararası Yenilenebilir Enerji Ajansı ve Depolama Laboratuvarı senaryolarındaki tahminden önemli ölçüde daha yüksek olan 32–62 terawatt'ı aşması bekleniyor . Ancak, emekliye ayrılan EV pilleri, genellikle nominal kapasitenin %80'inden fazlası olan önemli bir kalan kapasite değeriyle güçlü bir şekilde düzenlenir , . Düzgün şekilde işlenmezse, üreticiler ve kullanıcılar için ekonomik yükler  ve ardından kaynak israfı, tedarik zinciri riskleri ve karbon emisyonları , , ,  gibi çevresel ve toplumsal sorunlar ortaya çıkar. 1 2 3 4 5 6 7 8 9 10 11 Pil emekliliğindeki aralıklı artışlara ilişkin endişeleri gidermek için umut verici stratejiler yeniden kullanımdır , ,  ve geri dönüşüm . Yeniden kullanımda, emekliye ayrılan piller, şebekeye bağlı enerji depolama sistemleri , konut güç kaynakları  ve düşük hızlı araçlar gibi uygulamalar için yeniden amaçlanır. Ancak yeniden kullanım, uygulama gereksinimlerini karşılamak için tutarlılık taraması , kapasite sınıflandırması  ve yeniden gruplandırma ,  gibi ön hazırlıklar gerektirir. Pilot programların başlatılmasına rağmen , , , kullanım senaryoları ve emeklilik yolları için katı standartların olmaması, kalan kapasitenin rasyonel kullanımını engellemektedir . Geri dönüşüm, bunun yerine malzeme çıkarma veya yapısal onarım yoluyla emekliye ayrılan pillerin artık değerlerini kullanır , , geri döndürülemez şekilde bozulmuş emekliye ayrılmış piller için uygundur. Pirometalurji ve hidrometalurjiye ,  kıyasla, doğrudan geri dönüşüm, üstün kârlılık, daha düşük enerji tüketimi ve daha az karbon emisyonu ile öne çıkar , , . Lityum ikmalinden ve katot malzemelerinin işlem sonrası işlemlerinden yararlanan doğrudan geri dönüşüm, verimli malzeme yapısı onarımı ve performans restorasyonu sağlar . Ancak, sağlık durumu (SOH), doğrudan geri dönüşüm stratejisi formülasyonlarında gerekli kimyasal reaktif ve beklenen lityum takviye dozlarını belirler , , . Yetersiz dozaj eksik onarıma yol açabilirken, aşırı dozaj katot yüzeyinde artık alkali oluşumuna yol açarak restorasyon performansını düşürebilir , . Ne yazık ki, SOH geri kazanımı invaziv malzeme karakterizasyonu ,  ve uzun kapasite kalibrasyon testleri gerektirir, invaziv olmayan, hızlı ve sürdürülebilir SOH alımı önemli bir zorluk olmaya devam etmektedir. 6 12 13 14 15 16 17 18 19 20 22 23 24 25 26 27 28 29 26 27 30 31 32 33 34 27 35 36 37 Tutarlı SOH bilgilerini sağlamak için EV pilleri izlenir ve operasyonel veriler bulut platformları  ve pil pasaportları  tarafından kaydedilir. Avrupa Parlamentosu, emekliye ayrılan pillerin hizmet ömrünün sonunda yeniden kullanılabileceğini, restore edilebileceğini veya geri dönüştürülebileceğini sağlamak için 14 Haziran 2023'te Piller Direktifi'ni kabul etti . Ancak, gerekli izleme ve kayıt prosedürü yalnızca EV hizmet aşamasında erişilebilirdir, emekliye ayrılan piller araç içi izleme birimine artık bağlı değildir. Bu nedenle, sahada mevcut SOH verilerini almak zordur. Ömür verisi bütünlüğü, büyük bir zorluk olmaya devam etmekte ve geçmiş verilere veya kontrollü koşullar , ,  aleyhine yalnızca saha verileri kullanılarak SOH tahminini gerektirmektedir. Bir çözüm, emekliye ayrılan pil toplama sahasında bir kapasite kalibrasyon testi yapmaktır, yani şarj durumu (SOC) koşullandırması, bu doğrudandır, ancak karşılanamayan test süresi ve ek elektrik maliyetleri gerektirir. Hibrid darbe güç karakterizasyonu testi, dinamik darbe enjeksiyonu ile SOH tahmini için bir alternatiftir, ancak tam test dizisi 12 saati aşar. Tao ve ark. emekliye ayrılan pillerin SOH tahmini için kısa darbeler kullandı, ancak SOC koşullandırmasının %5 SOC'ye yapıldığı varsayıldı, bu da rastgele emeklilik SOC koşullarıyla zar zor uyumluydu . Duyusal tabanlı ölçümlerdeki son gelişmeler, X-ışını görüntüleme , elektrokimyasal empedans , , optik fiber algılama , , akustik algılama , , kısmi şarj ,  ve darbe enjeksiyonu , 'yi içerir. Algılama tabanlı teknikler invaziv oldukları için laboratuvar aşamasındadır, ancak darbe enjeksiyonu, fiziksel hasar olmadan pil bozulmasını ayırma özelliği ile kısmi şarj ve elektrokimyasal empedans tabanlı yöntemlerden daha hızlıdır , , , , , . Ancak, darbe enjeksiyonu, yalnızca fiziksel olarak ölçülen verilerin model dağıtım aşamasının emeklilik koşullarını kapsadığı ideal varsayımı altında geçerli olan veri odaklı bir yöntemdir, bu da makine öğrenmesi topluluğundaki alan kayması sorunu olarak bilinir. Transfer öğrenmesi ve alan adaptasyon yöntemlerindeki ilerlemelere rağmen , , , hedef alanın hizalanması dağıtım sırasında ön bilgi gerektirdiğinden ve mevcut öğrenme yöntemlerinin rastgele emeklilik koşulları için güncellenmesi zor olduğundan zorluklar devam etmektedir . Alternatif, veri kıtlığı ve heterojenliğini azaltmak için keşfedilmemiş emeklilik koşulları altında veri test ölçeğini genişletmektir, ancak bu maliyetlerin artmasına neden olabilir. Wang ve ark. bir termokimyasal işlem sırasındaki reaksiyon kinetik tercihlerini farklı ara durumlarda enterpole etmek için bir sıcaklık kazıma yöntemi önermiş, bu da makine öğrenmesi modeli eğitimi için bir veri artırımı olarak minimal termokimya deneysel ölçeğinde ve maliyetinde kapsamlı eğitim veritabanlarının oluşturulmasına olanak tanımıştır . Ayrıca, üretken öğrenme de kısmen döngüye alınmış profillerden artırılmış verilerle SOH'nin tahmin edilme olasılığını göstermekte, fiziksel olarak test edilmiş verileri azaltmaktadır , . Ancak, pil yeniden kullanımı ve geri dönüşüm bağlamındaki veri kıtlığı ve heterojenliği, katot malzeme tiplerinin, fiziksel formatların, kapasite tasarımlarının ve geçmiş kullanımların bir karışımı nedeniyle daha da karmaşıktır, bu da koşula özgü bozulma bilgisinin makine öğrenmesi modellerine entegrasyonunu kısıtlar. Bu nedenle, uzun süreli zaman serisi kapasite kalibrasyonu ve ek fiziksel deneyler gerektirmeden veri üretimi için emeklilik koşulları ve darbe voltajı yanıtları arasındaki bağımlılık ilişkisini dikkate almak, SOH tahmin performansını artırmak mantıklıdır. 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 Bu çalışmada, kaydedilen fiziksel ölçüm süresini ve maliyetini koruyan bir dikkatli varyasyonel oto kodlayıcı tarafından üretilen darbe voltajı yanıt verileri kullanılarak emekliye ayrılmış pil ön hazırlığı, yani SOH tahmini gerçekleştirilmiştir. Genel ön hazırlık adımlarının, üretken model eğitiminin ve pratik model dağıtım adımlarının üst düzey süreci Şekil  'de gösterilmektedir. Araştırma fikri, darbe voltajı yanıtlarının sürekli emeklilik koşullarında, yani emekliye ayrılmış pil toplama aşamasındaki SOC dağılımında, zaten ölçülmüş verileri kullanmak için üretken öğrenmeyi kullanmaktır. Aşağı akış SOH tahmini, fiziksel olarak ölçülmüş darbe yanıt verileri olmadan uygulanır, bu da aksi takdirde SOC'yi beklenen seviyeye ayarlamak için gereken ön hazırlık elektrik maliyetlerinden ve karbon emisyonlarından tasarruf sağlar. Amper-saat integral yöntemi ve makine öğrenmesi darbe enjeksiyonu ile karşılaştırıldığında, üretken öğrenme daha hızlı üretim hızı ve doğru tahmin vurgulamaktadır. Üretilen verilerle, basit bir regresör, veritabanındaki görülmemiş veya erişilemeyen SOC emeklilik koşulları altında düşük hata ile SOH'yi başarıyla tahmin eder, bu zorlu bir dağılım dışı (OOD) sorundur. OOD sorunu, hızlı darbenin neden olduğu SOC koşulu ve voltaj yanıtı arasındaki kalıtsal fiziksel deseni öğrenerek çözülür. Yöntemimizin genelleştirilebilirliğini, 3 katot malzeme tipi, 3 fiziksel format, 4 kapasite tasarımı ve 4 geçmiş kullanım (1 laboratuvar hızlandırılmış yaşlandırma, 1 saf pil EV sürüşü ve 2 hibrit EV sürüşü) içeren 2700 fiziksel ölçülmüş örnekle doğrulayarak gösteriyoruz. Üretken öğrenme, ölçüm süresini, elektrik maliyetlerini ve buna bağlı karbon emisyonlarını azaltırken SOH tahmin doğruluğundan ödün vermeden, emeklilik koşulları bilgisini gizli alan ölçeklendirmesine entegre ederek enterpolasyon ve dışa yayılma için uygundur. Pil emekliliğinin muhafazakar küresel bir vaka çalışması olan 2030, pirometalurjik, hidrometalurjik ve doğrudan geri dönüşüm koşulları altında hızlı ve sürdürülebilir SOH tahmininin önemini vurgulamaktadır. Teknik-ekonomik analiz yoluyla, üretken öğrenme destekli SOH tahmini, 2030 yılına kadar küresel olarak 4,9 milyar ABD Doları elektrik maliyetinden tasarruf sağlayabilir ve 35,8 milyar kg CO2 emisyonu azaltabilir. Model yorumlanabilirliği, geri dönüşüm ön hazırlık etkileri ve makine öğrenmesi ile entegre edilmiş akıllı geri dönüşüm ön hazırlığının gelecekteki daha geniş yönlerini tartışıyoruz. 1    Emekliye ayrılmış pil ön hazırlık adımları, yeniden kullanım veya geri dönüşümden önce SOC koşullandırmasını, fiziksel ölçümleri, SOH teşhisi için makine öğrenmesini ve ikinci ömür karar verme sürecini içerir. SOC koşullandırması, geleneksel sabit akım sabit voltaj (CCCV) yöntemi kullanılarak emekliye ayrılmış pillerin SOC değerlerinin istenen seviyelere ayarlanması anlamına gelir.   Darbe voltajı yanıt verileri üretimi için dikkatli varyasyonel oto kodlayıcının şeması.   SOH tahmini için veri üretim modelinin pratik kullanımı, ek SOC koşullandırması gerektirmez. Eğitilmiş makine öğrenmesi modeli, üretilen verilerle denetlenen ve dağıtım aşamasında anlık darbe voltajı yanıtlarını alır.   Üretken öğrenme metodolojimizin hızlı üretim hızı ile ekonomik ve çevresel faydaları, 2030 pil emeklilik senaryosunda küresel olarak SOC koşullandırma maliyetlerinden tasarruf ederek.  a b c d Sonuçlar Veri kümesi edinimi Veri kıtlığı ve heterojenliği, veriye dayalı pil teşhisi ve prognozu, özellikle emekliye ayrılmış piller için önemli zorluklardır. SOC seviyeleri %5 ila %50 arasında %5'lik bir artışla, 270 fiziksel olarak emekliye ayrılmış pil örneğinden 2700 örnek topladık. Şekil  'da veri kümesi, 3 yaygın katot malzeme tipini, buna 119 fiziksel olarak toplanmış NMC (nikel manganez kobalt oksit), 56 LFP (lityum demir fosfat) ve 95 LMO (lityum manganez oksit) emekliye ayrılmış pil, 3 fiziksel formatı (silindirik, kese, prizmatik) ve 4 geçmiş kullanım desenini (1 laboratuvar hızlandırılmış test, 3 EV kullanımı, buna 1 tamamen elektrikli güç aktarma organı modu ve 2 hibrit güç aktarma organı modu dahildir) kapsamaktadır. Yüksek derecede heterojen test örneklerinin dahil edilmesiyle, veri kümemizin bugüne kadarki emekliye ayrılmış pillerin SOH tahmini için en büyük hızlı darbe tabanlı veri kümesi olduğunu, modelin fiziksel olarak ölçülmüş veri kümelerinin ötesinde genelleştirilebilirliğini kolaylaştırdığını vurguluyoruz. 2a    Emekliye ayrılmış pil dağılımı için Sankey grafiği, katot malzeme tiplerini, fiziksel formatları, kapasite tasarımlarını ve geçmiş kullanımları içerir.   Emekliye ayrılmış pillerin darbe akımı ve sonraki voltaj yanıtı, özelliklerin dönüm noktalarından, yani voltaj yanıt eğrisinin ikinci türevinin sıfır olduğu noktalardan çıkarıldığı. U1'den U21'e kadar 21 özellik noktası çıkarılır. Ham verinin kayıt frekansı 100 Hz'dir. C-oranında her darbe arasında 25 saniye dinlenme süresi vardır. C oranının, 1 saatlik şarj (deşarj) yapıldığında şarj (deşarj) oranını temsil ettiği unutulmamalıdır. Ortam sıcaklığı 25 °C'de kontrol edilir.   Örnekleme için 2.1 Ah ve 21 Ah emekliye ayrılmış pillerin sağlık durumu (SOH) dağılımı (Gauss eğrisi). Diğer pil türlerinin SOH dağılımı için Ek Şekil  'e bakınız.   Ölçülen darbe voltajı yanıtı ile kapasite kalibrasyon testi ile kalibre edilmiş SOH arasındaki ilişki, değişen şarj durumu (SOC) koşulları altında. İlk özellik boyutu, U1, gösterilmiştir.   Farklı pil emeklilik SOC dağılımları altında enterpolasyon ve dışa yayılma veri üretimi vaka örneği. Ayrıntılı test ayarları Ek Not   ve  'de bulunabilir, C-oranı ayarının katot malzeme tipleri arasında aynı olduğu belirtilmelidir. Kaynak verileri bir Kaynak Veri dosyası olarak sağlanmıştır. a b c 1 d e 1 2 Düzenli sabit akım sabit voltaj (CCCV) testine kıyasla, darbe testi emekliye ayrılmış pillerde uzun test süresi ve ek hasar vermez. Bu nedenle, SOH referans kapasite değerleri olarak CCCV sonuçlarını kullanıyoruz. Darbe testi verileri, üretken öğrenme modeli için eğitim verileri olarak kullanılır. Pil katot malzeme tipi farklı olsa da, pratik kullanımda uyumluluğu sağlayan standartlaştırılmış ve erişilebilir bir özellik mühendisliği gerçekleştiriyoruz. Şekil  , darbe akımı enjeksiyonundan sonra özellik çıkarımını göstermektedir. CCCV ve darbe enjeksiyonu deneysel ayarları Ek Not  'de bulunabilir. İlk beş enjekte edilen darbe için, voltaj yanıtlarının ikinci türevinin sıfır olduğu dönüm noktaları özellik olarak kaydedilir ve 21 boyutlu özellikler elde edilir. 5 saniyelik darbe süresine rağmen, darbe sağlamlığını doğrulamak ve test süresini daha da kısaltmak amacıyla darbe genişliği üzerinde hassasiyet ölçümü de gerçekleştiriyoruz, bu da 30 ms ila 5 s arasında değişmektedir. 2b 1 Laboratuvar testlerinde hızlandırılmış yaşlandırmayı (Ek Not  ) ve gerçek EV sürüş yaşlanmasını dikkate alıyoruz, ancak veri gizliliği kısıtlamaları nedeniyle belirli sürüş profillerine karşı kayıtsızız. Şekil  'de, hızlandırılmış yaşlandırma pillerinin (NMC, 2.1 Ah) ve saf pil EV sürüş yaşlandırma pillerinin (NMC, 21 Ah) SOH dağılımları gösterilmektedir. SOH değerlerinin geniş bir SOH bölgesinde, 0,6 ila 1 arasında tamamlayıcı olduğu göz önüne alındığında, toplanan veriler pil emeklilik senaryolarını, aynı zamanda aşırı erken emeklilik durumlarını da temsil etmektedir. Diğer toplanan pillerin (LMO, 10 Ah ve LFP 35 Ah) SOH dağılımları geniş bir SOH dağılımını kapsamaktadır, bkz. Ek Şekil  . Darbe testleri, emekliye ayrılan pillerin rastgele toplama durumunu simüle etmek için %5 ila %50 arasında değişen farklı SOC seviyelerinde tekrarlanır. Test edilen SOC bölgesi, emekliye ayrılan pillerin ya düşük SOC sergilediği veya güvenli sabit depo depolama gereksinimleri için zorunlu deşarja tabi tutulduğu varsayımı altında olduğundan, SOC üst sınırı %50 olarak ayarlanmıştır. Şekil  'de, hızlandırılmış yaşlandırma pillerinden (NMC, 2.1 Ah) ve EV sürüş yaşlandırma pillerinden (NMC, 21 Ah) çıkarılan özelliklerin birinci boyutu gösterilmektedir. Kapasite tasarımları ve geçmiş kullanımlardaki farklılıklara rağmen, dar 2 2c 1 2d

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

Bu ses hikayenin orijinal dilinde üretilmiştir!

Generatif Yapay Zeka, Emekliye Ayrılmış Lityum-İyon Pillerin Sürdürülebilir Yeniden Kullanımını Güçlendiriyor

About Author

YORUMLAR

ETİKETLERİ ASIN

BU YAZI

Related Stories

İş Akışınızı 10 Kat Nasıl İyileştirirsiniz: 17 Temel Uygulama

Bu 18 Geliştirici Aracıyla Üretkenliğinizi Artırın 🚀🔥

AI/ML Datalake için Referans Mimarisi Oluşturmaya Yönelik Mimar Kılavuzu

Claude Sonnet 3.5 Sistem Bilgi Sızıntısı: Adli Analiz

İş Akışınızı 10 Kat Nasıl İyileştirirsiniz: 17 Temel Uygulama

Bu 18 Geliştirici Aracıyla Üretkenliğinizi Artırın 🚀🔥

AI/ML Datalake için Referans Mimarisi Oluşturmaya Yönelik Mimar Kılavuzu

Claude Sonnet 3.5 Sistem Bilgi Sızıntısı: Adli Analiz

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps