
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 işlem sürecidir. Ancak, veri odaklı yöntemler rastgele SOH ve şarj durumu (SOC) emeklilik koşulları altında kapsamlı veri kürlemesi gerektirir. Burada, üretken öğrenmeyle desteklenen SOH tahmininin veri kıtlığı ve heterojenlik zorluklarını hafifletmede umut verici olduğunu gösteriyoruz; bu, 2700 emekliye ayrılmış lityum-iyon pil örneğinden oluşan bir darbe enjeksiyon veri kümesiyle doğrulanmıştır ve 3 katot malzeme türü, 3 fiziksel format, 4 kapasite tasarımı ve 10 SOC seviyeli 4 geçmiş kullanım alanını kapsamaktadır. Üretilen veriler kullanılarak bir regresör, görülmemiş SOC'de ortalama mutlak yüzde hataları %6'nın altında olacak şekilde doğru SOH tahminleri gerçekleştirir. Önerilen tekniğin tek tip konuşlandırılmasının varsayılmasıyla, bunun 2030 dünya çapında pil emekliliği senaryosu için veri kürleme maliyetlerini azaltarak 4,9 milyar ABD Doları elektrik maliyetinden ve 35,8 milyar kg CO2 emisyonundan tasarruf sağlayacağını öngörüyoruz. Bu makale, birçok tahmin ve öngörücü görev için veri toplamanın zaman alıcı, pahalı ve kirletici olabileceği göz önüne alındığında, üretken yöntemler kullanarak sınırlı verilerden yararlanarak genişletilmiş veri alanını keşfetmeyi vurgulamaktadır. Giriş Düşük karbonlu bir enerji geçişinin kritik bir sektörü olan ulaşım elektrifikasyonu , fosil yakıt bazlı ulaşım paradigmasını eşi görülmemiş bir şekilde yeniden şekillendirmiştir. Lityum-iyon piller, elektrikli araçlara (EV'ler) ,  ekonomik, dayanıklı ve güvenli enerji kaynakları sağlayarak bu geçişte hayati öneme sahiptir. Kullanımdaki ve hizmet ömrünü tamamlamış EV pillerinin toplam kapasitesi 2050 yılına kadar Uluslararası Yenilenebilir Enerji Ajansı ve Depolama Laboratuvarı senaryolarındaki tahminlerden önemli ölçüde yüksek olacak şekilde 32-62 terawatt'ı aşacaktır . Ancak, emekliye ayrılmış EV pilleri, tipik olarak nominal kapasitenin %80'inden fazlası olan önemli bir kalan kapasite değeriyle güçlü bir şekilde düzenlenmiştir , . Doğru şekilde ele alınmazsa, üreticiler ve kullanıcılar için ekonomik yüklerin yanı sıra , kaynak israfı, tedarik zinciri riskleri ve karbon emisyonları , , ,  dahil olmak üzere sonraki çevresel ve toplumsal sorunlara yol açar. 1 2 3 4 5 6 7 8 9 10 11 Pilin emekliliğe ayrılmasındaki aralıklı dalgalanmalarla ilgili endişeleri gidermek için umut verici stratejiler yeniden kullanım , ,  ve geri dönüşüm 'dır. Yeniden kullanımda, emekliye ayrılmış piller şebeke bağlantılı enerji depolama sistemleri , konut güç kaynakları  ve düşük hızlı araçlar gibi uygulamalar için yeniden amaçlanmaktadır. Ancak, yeniden kullanım tutarlılık taraması , kapasite ayırma  ve yeniden gruplandırma ,  gibi ön ön işlemleri gerektirir. Pilot programların başlatılmasına rağmen , , , kullanım senaryoları ve emeklilik yolları için katı standartların olmaması, kalan kapasitenin rasyonel kullanımını engellemektedir . Geri dönüşüm ise, malzeme ekstraksiyonu veya yapısal onarım yoluyla emekliye ayrılmış pillerin artık değerlerini kullanır , , geri döndürülemez şekilde bozunmuş emekliye ayrılmış piller için uygundur. Pirometalurji ve hidrometalurjiye ,  kıyasla, doğrudan geri dönüşüm üstün karlılık, daha düşük enerji tüketimi ve azaltılmış karbon emisyonları ile öne çıkmaktadır , , . Lityum ikmalini ve katot malzemelerinin işlem sonrası işlemlerini kullanarak, doğrudan geri dönüşüm verimli malzeme yapısı onarımı ve performans restorasyonu sağlar . Ancak, sağlık durumu (SOH), doğrudan geri dönüşüm stratejisi formülasyonlarında gereken kimyasal reaktif ve beklenen lityum ikmal dozlarını belirler , , . Yetersiz dozaj eksik onarıma yol açabilirken, aşırı dozaj katot yüzeyinde artık alkali oluşumuna neden olarak restorasyon performansını bozabilir , . Ne yazık ki, SOH erişimi invaziv malzeme karakterizasyonu ,  ve uzun kapasite kalibrasyon testleri gerektirir, invaziv olmayan, hızlı ve sürdürülebilir SOH edinimi ise 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 bilgisi sağlamak için, EV pilleri izlenir ve operasyonel veriler bulut platformları  ve pil pasaportları  tarafından kaydedilir. Avrupa Parlamentosu, 14 Haziran 2023'te Piller Direktifini kabul ederek, emekliye ayrılmış pillerin hizmet ömrünün sonunda yeniden kullanılabilmesini, restore edilebilmesini veya geri dönüştürülebilmesini sağlamıştır . Ancak, gerekli izleme ve kayıt prosedürü yalnızca EV hizmet aşamasında erişilebilirdir, emekliye ayrılmış piller araç içi izleme ünitesine artık bağlı değildir. Bu nedenle, sahada mevcut SOH verilerini almak zordur. Ömür verilerinin bütünlüğü, tarihsel verilerin veya kontrol edilebilir koşulların aksine , , , yalnızca saha verileri kullanılarak SOH tahminini gerektiren büyük bir zorluktur. Bir çözüm, emekliye ayrılmış pil toplama sahasında bir kapasite kalibrasyon testi yapmaktır, yani şarj durumu (SOC) koşullandırması, bu basittir, ancak karşılanamaz test süresi ve ek elektrik maliyetleri gerektirir. Hibrit darbe güç karakterizasyon testi, dinamik darbe enjeksiyonu ile SOH tahmini için bir alternatiftir, ancak tam test dizisi 12 saatin üzerinde sürer. Tao ve arkadaşları, SOC koşullandırmasının %5 SOC'ye yapıldığı varsayımıyla emekliye ayrılmış pillerin SOH tahmini için kısa darbeler kullanmışlardır; bu, rastgele emeklilik SOC koşullarıyla zar zor uyumludur . Son duyusal ölçüm tabanlı gelişmeler arasında X-ışını görüntüleme , elektrokimyasal empedans , , optik fiber algılama , , akustik algılama , , kısmi şarj ,  ve darbe enjeksiyonu ,  bulunmaktadır. Algılama tabanlı teknikler laboratuvar aşamasındadır çünkü invazivdir, ancak darbe enjeksiyonu, pil bozulmasını fiziksel hasar olmadan ayırt etme özelliğiyle, kısmi şarj ve elektrokimyasal empedans tabanlı yöntemlerden eş zamanlı olarak daha hızlıdır , , , , , . Ancak, darbe enjeksiyonu veri merkezli bir yöntemdir ve yalnızca fiziksel olarak ölçülen verilerin model dağıtım aşamasındaki emeklilik koşullarını kapsadığı ideal varsayımı altında geçerlidir; bu, makine öğrenimi topluluğunda alan kayması olarak bilinen yaygın zorluktur. Transfer öğrenimi ve alan uyarlama yöntemlerindeki ilerlemelere rağmen , , , hedef alanın hizalanması dağıtım sırasında önceden bilgi gerektirdiğinden ve mevcut öğrenme yöntemleri rastgele emeklilik koşulları için güncellenmesi zor olduğundan  zorluklar devam etmektedir. Bir alternatif, veri kıtlığını ve heterojenliği hafifletmek için keşfedilmemiş emeklilik koşulları altında veri test ölçeğini kapsamaktır, ancak bu artan maliyetlere yol açabilir. Wang ve arkadaşları, bir termokimyasal işlem sırasında farklı ara durumlardaki reaksiyon kinetik tercihlerini enterpole etmek için bir sıcaklık kazıma yöntemi önermişlerdir; bu, makine öğrenimi modeli eğitimi için bir veri artırma olarak minimum termokimya deneysel ölçeğinde ve maliyetinde geniş eğitim veritabanlarının oluşturulmasına olanak tanır . Ayrıca, üretken öğrenme, fiziksel olarak test edilmiş verileri azaltarak kısmen döngülenmiş profillerden artırılmış verilerle SOH tahmininin olasılıklarını da göstermektedir , . Ancak, pil yeniden kullanımı ve geri dönüşümü bağlamındaki veri kıtlığı ve heterojenliği, katot malzeme türlerinin, fiziksel formatların, kapasite tasarımlarının ve geçmiş kullanımların bir karışımı nedeniyle daha da karmaşıktır ve koşul özelindeki bozulma bilgilerinin makine öğrenimi modellerine entegrasyonunu kısıtlamaktadır. Bu nedenle, veri üretimini sağlamak için emeklilik koşulları ile darbe voltaj yanıtları arasındaki bağımlılık ilişkisini göz önünde bulundurmak makul görünüyor; bu, SOH tahmin performansını artırmak için eş zamanlı olarak uzun zaman serisi kapasite kalibrasyonundan ve ek fiziksel deneylerden kaçınmaktadır. 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, emekliye ayrılmış pil ön işlemi, yani SOH tahmini, kaydedilmiş fiziksel ölçüm süresinde ve maliyetinde bir dikkatli varyasyonel oto kodlayıcı tarafından üretilen darbe voltaj yanıtı verileri kullanılarak gerçekleştirilir. Genel ön işlem adımlarının, üretken model eğitiminin ve pratik model dağıtım adımlarının üst düzey süreci Şekil 1'de  gösterilmektedir. Araştırma fikri, darbe voltaj yanıtlarının sürekli emeklilik koşullarında, yani emekliye ayrılmış pil toplama aşamasındaki SOC dağılımının keşfi için zaten ölçülmüş verilerden yararlanmak üzere üretken öğrenmeyi kullanmaktır. Takip eden SOH tahmini, fiziksel olarak ölçülmüş darbe yanıt verileri olmadan gerçekleştirilir, bu da ön işlem elektrik maliyetlerinden ve koşullandırmadan kaynaklanan karbon emisyonlarından tasarruf sağlar. Amper-saat entegrasyon yöntemi ve makine öğrenimi darbe enjeksiyonu ile karşılaştırıldığında, üretken öğrenme daha hızlı üretim hızı ve doğru tahmin vurgular. Üretilen verilerle, basit bir regresör, veritabanında görülmemiş veya erişilemeyen SOC emeklilik koşulları altında SOH'yi düşük hatayla tahmin eder; bu, zorlu bir dağıtım dışı (OOD) sorundur. OOD sorunu, hızlı darbe tarafından indüklenen SOC koşulu ve voltaj yanıtı arasındaki kalıtsal fiziksel model öğrenilerek çözülür. Yöntemimizin genelleştirilebilirliğini, 3 katot malzeme türü, 3 fiziksel format, 4 kapasite tasarımı ve 4 geçmiş kullanım (1 laboratuvar hızlandırılmış yaşlandırma, 1 saf elektrikli araç sürüşü ve 2 hibrit araç sürüşü) içeren 2700 fiziksel olarak ölçülmüş numune ile doğrulayarak gösteriyoruz. Üretken öğrenme, ölçüm süresini, elektrik maliyetlerini ve buna bağlı karbon emisyonlarını azaltırken SOH tahmin doğruluğundan ödün vermeden, emeklilik koşulları bilgisini gizli alan ölçeklemesine entegre ederek enterpolasyon ve ekstrapolasyon için uygundur. Pil emekliliğinin muhafazakar küresel bir vaka çalışması, pirometalurjik, hidrometalurjik ve doğrudan geri dönüşüm koşulları altında hızlı ve sürdürülebilir SOH tahmininin önemini vurgulamaktadır. Teknik-ekonomik analiz yoluyla, üretken öğrenmeyle desteklenen SOH tahmini, 2030 yılına kadar küresel olarak 4,9 milyar ABD Doları elektrik maliyetinden tasarruf edebilir ve 35,8 milyar kg CO2 emisyonunu azaltabilir. Model yorumlanabilirliği, geri dönüşüm ön işlem etkileri ve makine öğrenimiyle entegre edilmiş akıllı geri dönüşüm ön işleminin gelecekteki daha geniş yönlerini tartışıyoruz. 1    Emekliye ayrılmış pil ön işlem adımları, SOC koşullandırmasını, fiziksel ölçümleri, SOH teşhisi için makine öğrenimini ve yeniden kullanım veya geri dönüşümden önce ikinci yaşam karar verme sürecini içerir. SOC koşullandırması, geleneksel sabit akım sabit voltaj (CCCV) yöntemi kullanılarak emekliye ayrılmış pillerin SOC değerlerinin istenen seviyelere ayarlanmasını ifade eder.   Darbe voltaj yanıtı verileri üretimi için dikkatli varyasyonel oto kodlayıcının şematiği.   SOH tahmini için veri üretim modelinin pratik kullanımı, ek SOC koşullandırması gerektirmez. Eğitilmiş makine öğrenimi modeli, üretilen verilerle denetlenir ve dağıtım aşamasında anında darbe voltaj yanıtları alır.   Ekonomik ve çevresel faydalar ve hızlı üretim hızı, 2030 pil emeklilik senaryosunda küresel olarak SOC koşullandırma maliyetlerinden tasarruf sağlayan üretken öğrenme metodolojimiz tarafından sağlanır. a b c d Sonuçlar Veri kümesi edinimi Veri kıtlığı ve heterojenliği, özellikle emekliye ayrılmış piller için veri odaklı pil teşhisi ve prognozunda önemli zorluklardır. 5'ten 50'ye kadar %5'lik adımlarla geniş SOC seviyelerinden 270 fiziksel olarak emekliye ayrılmış pilden 2700 örnek topladık. Şekil 2a'da , veri kümesi, 3 yaygın katot malzeme türünü (119 fiziksel olarak toplanmış NMC (nikel manganez kobalt oksit), 56 LFP (lityum demir fosfat) ve 95 LMO (lityum manganez oksit) emekliye ayrılmış pil) ve 3 fiziksel formatı (silindirik, kese, prizmatik) ve 4 geçmiş kullanım desenini (1 laboratuvar hızlandırılmış test, 3 EV kullanımı, 1 saf elektrikli aktarma organı modu ve 2 hibrit aktarma organı modu dahil) kapsar. Yüksek derecede heterojen test örneklerinin dahil edilmesi, veri kümemizi emekliye ayrılmış pillerin SOH tahmini için şimdiye kadarki en büyük hızlı darbe tabanlı veri kümesi haline getirdiğini ve bu durumun fiziksel olarak ölçülmüş veri kümelerinin ötesinde model genelleştirilebilirliğini kolaylaştırdığını vurguluyoruz. 2    Katot malzeme türlerini, fiziksel formatları, kapasite tasarımlarını ve geçmiş kullanımları içeren emekliye ayrılmış pil dağılımı için Sankey grafiği.   Darbe akımı ve ardından voltaj yanıtı, özelliklerin dönüm noktalarından, yani voltaj yanıtı eğrisinin sıfır ikinci türevli noktalarından çıkarıldığı yerler. U1'den U21'e kadar 21 özellik noktası çıkarılır. Ham verilerin kayıt frekansı 100 Hz'dir. C-oranında her darbe arasında 25 saniyelik dinlenme süresi vardır. C oranının, 1 saatlik şarj (deşarj) yapıldığında şarj (deşarj) oranını ifade ettiğine dikkat edin. Ortam sıcaklığı 25°C'de kontrol edilir.   Örnek olarak 2,1 Ah ve 21 Ah emekliye ayrılmış pillerin sağlık durumu (SOH) dağılımı (Gauss fit). Diğer pil türlerinin SOH dağılımı için Ek Şekil 1'e bakınız.   Ölçülen darbe voltaj yanıtı ile kalibre edilmiş SOH arasındaki ilişki, değişen şarj durumu (SOC) koşulları altında. Birinci özellik boyutu, U1, gösterilmiştir.   Farklı pil emeklilik SOC dağılımları altında enterpolasyon ve ekstrapolasyon veri üretim vaka illüstrasyonu. Detaylı test ayarları Ek Not 1 ve 2'de bulunmaktadır. C-oranı ayarının tüm katot malzeme türlerinde aynı olduğuna dikkat edin. Kaynak verileri bir Kaynak Veri dosyası olarak sağlanır. a b c d e Düzenli sabit akım sabit voltaj (CCCV) testinin aksine, darbe testi emekliye ayrılmış pillere uzun test süresi ve ek hasar vermez. Bu nedenle, SOH referans kapasite değerleri olarak CCCV sonuçlarını kullanıyoruz. Üretken öğrenme modeli için eğitim verisi olarak darbe testi verileri kullanılır. Pil katot malzeme türü değişse de, pratik kullanımda uyumluluğu sağlamak için standartlaştırılmış ve erişilebilir bir özellik mühendisliği gerçekleştiriyoruz. Şekil 2b , darbe akımı enjeksiyonundan sonra özellik çıkarımını gösterir. CCCV ve darbe enjeksiyonu deneysel ayarları Ek Not 1'de bulunabilir. İlk beş enjekte edilen darbe için, dönüm noktaları, yani voltaj yanıtlarının ikinci türevinin sıfır olduğu noktalar, özellik olarak kaydedilir ve bu da 21 boyutlu özellikler elde edilmesini sağlar. 5 saniye düzeyindeki darbe süresine rağmen, darbe dayanıklılığını doğrulamak ve test süresini daha da kısaltmak amacıyla darbe genişliği üzerinde hassasiyet ölçümü de gerçekleştirdik; bu, 30 ms ile 5 s arasında değişmektedir. 2 Laboratuvar testlerinde hızlandırılmış yaşlandırmayı (Ek Not 2)  ve gerçek EV sürüş yaşlandırmasını dikkate alıyoruz, ancak veri gizliliği kısıtlamaları nedeniyle açık sürüş profillerine karşı duyarsızız. Şekil 2c'de , hızlandırılmış yaşlandırma pillerinin (NMC, 2,1 Ah) ve saf elektrikli araç sürüş yaşlandırma pillerinin (NMC, 21 Ah) SOH dağılımları gösterilmektedir. SOH değerlerinin 0,6 ile 1 arasında geniş bir SOH bölgesinde tamamlayıcı olduğuna dikkat edilerek, toplanan veriler pil emekliliği senaryolarını ve ayrıca aşırı erken emeklilik durumlarını temsil etmektedir. Diğer toplanan pillerin (LMO, 10 Ah ve LFP 35 Ah) SOH dağılımları geniş bir SOH dağılımını kapsar, bkz. Ek Şekil 1 . Darbe testleri, emekliye ayrılan pillerin rastgeleliğini simüle etmek için 5% ile 50% arasında değişen farklı SOC seviyelerinde tekrarlanır. Test edilen SOC bölgesi, emekliye ayrılmış pillerin ya düşük SOC sergilediği ya da güvenli sabit depolama gereksinimleri için zorunlu deşarj işlemine tabi tutulduğu varsayımı altındadır, bu nedenle SOC üst sınırı %50 olarak belirlenmiştir. Şekil 2d'de , hızlandırılmış yaşlandırma pillerinden (NMC, 2,1 Ah) ve EV sürüş yaşlandırma pillerinden (NMC, 21 Ah) çıkarılan özelliklerin ilk boyutu gösterilmektedir. Kapasite tasarımları ve geçmiş kullanımlardaki farklılıklara rağmen, darbe voltaj yanıtları tutarlı bir bozulma deseni sergiler ve diğer emekliye ayrılmış piller de diğer özellik boyutları için aynı şekilde davranır, bkz. Ek Şekiller 2-5 – . Ancak 2 2 1 2 2 5

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, Emekli Lityum-İyon Pillerin Sürdürülebilir Yeniden Kullanımını Güçlendiriyor

About Author

YORUMLAR

ETİKETLERİ ASIN

BU YAZI

Related Stories

Görünmeyen Katmanlar: Kullanıcı Görüşmeleri Neden Yeri doldurulamaz bir Varlıktır?

Bu 18 Geliştirici Aracıyla Üretkenliğinizi Artırın 🚀🔥

Telegram: Kripto Adası'nın anakaraya olan köprüsü

Yapay Zekanın Gücünü Ortaya Çıkarıyoruz. En Son Tekniklerin Sistematik Bir İncelemesi: Özet ve Giriş

Görünmeyen Katmanlar: Kullanıcı Görüşmeleri Neden Yeri doldurulamaz bir Varlıktır?

Bu 18 Geliştirici Aracıyla Üretkenliğinizi Artırın 🚀🔥

Telegram: Kripto Adası'nın anakaraya olan köprüsü

Yapay Zekanın Gücünü Ortaya Çıkarıyoruz. En Son Tekniklerin Sistematik Bir İncelemesi: Özet ve Giriş

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps