```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 Emekli pillerin hızlı ve doğru sağlık durumu (SOH) tahmini, yeniden kullanım ve geri dönüşüm için önemli bir ön işlem teşkil eder. 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 türü, 3 fiziksel format, 4 kapasite tasarımı ve 10 SOC seviyesi ile 4 geçmiş kullanım içeren 2700 emekli lityum-iyon pil numunesinden oluşan bir darbe enjeksiyonu veri seti aracılığıyla doğrulanan veri kıtlığı ve heterojenlik sorunlarını hafifletmede umut verici olduğunu gösteriyoruz. Üretilen veriler kullanılarak, bir regresör, görülmemiş SOC altında ortalama mutlak yüzde hataları %6'nın altında olacak şekilde doğru SOH tahminleri gerçekleştirir. Önerilen tekniğin tek tip dağıtımının varsayılmasıyla, bunun 2030 dünya çapında pil emeklilik 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, zaman alıcı, pahalı ve kirletici olan birçok tahmin ve öngörücü görev için veri toplama işlemini göz önünde bulundurarak, üretken yöntemler aracılığıyla sınırlı veriden genişletilmiş veri alanını keşfetmeyi vurgulamaktadır. Giriş Düşük karbonlu enerji geçişinin kritik bir sektörü olan ulaşım elektrifikasyonu , fosil yakıt bazlı ulaşım paradigmasını benzeri görülmemiş bir şekilde yeniden şekillendirdi. Lityum-iyon piller, elektrikli araçlar (EV'ler) için uygun fiyatlı, dayanıklı ve güvenli enerji tedarikleri sağlayarak bu geçişte hayati önem taşımaktadır , . Kullanımdaki ve kullanım ömrü sonu EV pillerinin toplam kapasitesinin 2050 yılına kadar Uluslararası Yenilenebilir Enerji Ajansı ve Depolama Laboratuvarı senaryolarındaki tahminden önemli ölçüde daha yüksek olarak 32–62 terawatt'ı aşması bekleniyor . Bununla birlikte, emekli EV pilleri, genellikle nominal kapasitenin %80'inden fazlası olmak üzere, büyük bir kalan kapasite değeri yetersiz kullanılmış olarak güçlü bir şekilde düzenlenmektedir , . Düzgün ele alınmadığı takdirde, üreticiler ve kullanıcılar için ekonomik yüklerin yanı sıra , kaynak israfı, tedarik zinciri riskleri ve karbon emisyonları , , ,  gibi sonraki çevresel ve toplumsal sorunlara yol açar. 1 2 3 4 5 6 7 8 9 10 11 Pil emekliliğindeki aralıklı dalgalanmalara ilişkin endişeleri gidermeye yönelik umut verici stratejiler arasında yeniden kullanım , ,  ve geri dönüşüm  bulunmaktadır. Yeniden kullanımda, emekli piller şebekeye bağlı enerji depolama sistemleri , konut güç kaynakları  ve düşük hızlı araçlar gibi uygulamalar için yeniden amaçlanmaktadır. Ancak yeniden kullanım, uygulama gereksinimlerini karşılamak için tutarlılık taraması , kapasite sınıflandırması  ve yeniden gruplandırma ,  gibi ön işlemler gerektirir. Pilot programların başlatılmasına rağmen , , , kullanım senaryoları ve emeklilik yolları için katı standartların olmaması, artık kapasitenin rasyonel kullanımını engellemektedir . Geri dönüşüm, bunun yerine malzemelerin çıkarılması veya yapısal onarım yoluyla emekli pillerin artık değerlerini kullanır , , geri dönüşümsüz olarak bozulmuş emekli piller için uygundur. Pirometalurji ve hidrometalurji ,  ile karşılaştırıldığında, doğrudan geri dönüşüm, üstün karlılık, daha düşük enerji tüketimi ve daha az karbon emisyonu ile öne çıkmaktadır , , . Lityum ikmali ve katot malzemelerinin işlem sonrası kullanımından yararlanan doğrudan geri dönüşüm, verimli malzeme yapısı onarımı ve performans restorasyonu sağlar . Bununla birlikte, 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 neden olarak restorasyon performansını bozabilir , . Ne yazık ki, SOH geri kazanımı invaziv malzeme karakterizasyonu ,  ve uzun kapasite kalibrasyon testleri gerektirir, invaziv olmayan, hızlı ve sürdürülebilir SOH edinimi devam eden zorlu bir sorundur. 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 güvence altına almak için, EV pilleri izlenir ve operasyonel veriler bulut platformları  ve pil pasaportları  tarafından kaydedilir. Avrupa Parlamentosu, emekli pillerin kullanım ömrü sonunda yeniden kullanılabileceğini, yeniden kondisyonlanabileceğini veya geri dönüştürülebileceğini sağlamak için 14 Haziran 2023 tarihinde Piller Direktifi'ni kabul etmiştir . Bununla birlikte, gerekli izleme ve kayıt prosedürü yalnızca EV hizmet aşamasında erişilebilir durumdadır, emekli piller araç içi izleme birimine artık bağlı değildir. Bu nedenle, sahada mevcut olan SOH verilerini geri almak zorlaşmaktadır. Ömür veri bütünlüğü, büyük bir zorluk olmaya devam etmekte, geçmiş verilere veya kontrol edilebilir koşullar , ,  altında olmayan, yalnızca saha verileri kullanılarak SOH tahminini gerektirmektedir. Bir çözüm, emekli pil toplama sahasında bir kapasite kalibrasyon testi gerçekleştirmektir, yani SOC koşullandırması, bu doğrudan olsa da, karşılanamaz test süresi ve ekstra 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 diğerleri, SOC koşullandırmasının %5 SOC'ye yapıldığı varsayımıyla emekli pillerin SOH tahmini için kısa darbeler kullandı, bu da rastgele emeklilik SOC koşullarıyla zar zor uyumluydu . Duyusal tabanlı ölçümlerdeki son gelişmeler X-ışını görüntüleme , elektrokimyasal empedans , , fiber optik algılama , , akustik algılama , , kısmi şarj ,  ve darbe enjeksiyonu ,  içerir. Algılama tabanlı teknikler laboratuvar aşamasındadır, invaziv oldukları için, darbe enjeksiyonu ise fiziksel hasar olmadan pil bozulmasını ayırma özelliği taşır, aynı zamanda kısmi şarj ve empedans tabanlı yöntemlerden daha hızlıdır , , , , , . Bununla birlikte, darbe enjeksiyonu, veri merkezli bir yöntemdir ve yalnızca fiziksel olarak ölçülen verilerin model dağıtım aşamasının emeklilik koşullarını kapsadığı ideal varsayımı altında geçerlidir, bu da makine öğrenmesi topluluğunda alan kaymasının yaygın bir zorluğudur. Transfer öğrenimi ve alan adaptasyon yöntemlerindeki ilerlemelere rağmen , , , hedef alanın dağıtım sırasında ön bilgi gerektirmesi ve mevcut öğrenme yöntemlerinin rastgele emeklilik koşulları için güncellenmesinin zor olması nedeniyle zorluklar devam etmektedir . Alternatif olarak, veri kıtlığını ve heterojenliği hafifletmek için keşfedilmemiş emeklilik koşulları altında veri test ölçeğini genişletmektir, ancak bu artan maliyetlere yol açabilir. Wang ve diğerleri, bir termokimyasal işlem sırasında farklı ara durumdaki reaksiyon kinetiği tercihlerini enterpole etmek için bir sıcaklık kazıma yöntemi önermiştir, bu da makine öğrenmesi modeli eğitimi için bir veri artırımı olarak minimum termokimya deneysel ölçek ve maliyetle geniş eğitim veritabanlarının oluşturulmasına izin verir . Ayrıca, üretken öğrenme, kısmen döngülenmiş profillerden artırılmış verilerle SOH tahmin etme olasılığını göstermekte, gerekli fiziksel olarak test edilmiş verileri kaydetmektedir , . Bununla birlikte, pil yeniden kullanımı ve geri dönüşümü bağlamındaki veri kıtlığı ve heterojenliği, katot malzeme türleri, fiziksel formatlar, kapasite tasarımları ve geçmiş kullanımların bir karışımı nedeniyle daha da karmaşıktır, bu da koşullara özgü bozulma bilgilerinin makine öğrenmesi modellerine entegrasyonunu kısıtlar. Bu nedenle, uzun süreli kapasite kalibrasyonu ve ek fiziksel deneyler yapmadan, darbe voltajı tepkileri için veri üretimine yönelik emeklilik koşulları arasındaki bağımlılık ilişkisini göz önünde bulundurmak, SOH tahmin performansını artıracaktır. 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, emekli pil ön işlemi, yani SOH tahmini, kaydedilmiş fiziksel ölçüm süresi ve maliyetiyle elde edilen üretken bir dikkatli varyasyonel oto kodlayıcı tarafından üretilen darbe voltajı tepki verileri kullanılarak gerçekleştirilir. Genel ön işlem adımlarının, üretken model eğitiminin ve pratik model dağıtım adımlarının üst düzey süreci Şekil 1'de gösterilmektedir . Araştırma fikri, üretken öğrenimi kullanarak, zaten ölçülmüş verilerden yararlanarak, sürekli emeklilik koşullarındaki, yani emekli pil toplama aşamasındaki SOC dağılımındaki darbe voltajı tepkilerini keşfetmektir. Sonraki SOH tahmini, fiziksel olarak ölçülmüş darbe tepki verileri olmadan uygulanır, bu da koşullandırma SOC'nin beklenen seviyeye getirilmesinden kaynaklanan ön işlem elektrik maliyetlerini ve karbon emisyonlarını azaltır. Amper-saat integral yöntemi ve makine öğrenmesi darbe enjeksiyonu ile karşılaştırıldığında, üretken öğrenme daha hızlı üretim hızı ve doğru tahmin vurgular. Üretilen verilerle, basit bir regresör, veri tabanında görülmemiş veya erişilemeyen SOC emeklilik koşulları altında düşük hata ile SOH'yi doğru bir şekilde tahmin eder, bu zorlu bir dağıtım dışı (OOD) sorundur. OOD sorunu, hızlı darbenin neden olduğu SOC koşulu ve voltaj tepkisi arasındaki miras kalan fiziksel desen öğrenilerek çözülür. Yöntemimizin genelleştirilebilirliğini, 3 katot malzeme türü, 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 olarak ölçülmüş örnek üzerinde doğrulayarak gösteriyoruz. Üretken öğrenme, ölçüm süresini, elektrik maliyetlerini ve buna bağlı karbon emisyonlarını azaltırken, SOH tahmin doğruluğundan ödün vermeden, koşullara özgü bilgileri gizli alan ölçeklendirmesine entegre ederek enterpolasyon ve ekstrapolasyon için uygundur. Pil emekliliğinin muhafazakar küresel bir vaka çalışması olan 2030 yılı, pirometalurjik, hidrometalurjik ve doğrudan geri dönüşüm koşullarında hızlı ve sürdürülebilir SOH tahmininin önemini vurgulamaktadır. Teknik-ekonomik analiz yoluyla, üretken öğrenme destekli SOH tahmini, 2030 yılına kadar dünya çapında 4,9 milyar ABD doları elektrik maliyetinden tasarruf sağlayabilir ve 35,8 milyar kg CO2 emisyonunu azaltabilir. Model yorumlanabilirliği, geri dönüşüm ön işlem etkileri ve makine öğrenmesi ile entegre edilmiş akıllı geri dönüşüm ön işleminin daha geniş yönlerini tartışıyoruz. 1    Emekli pil ön işlem adımları, SOC koşullandırması, fiziksel ölçümler, SOH teşhisi için makine öğrenmesi ve yeniden kullanım veya geri dönüşümden önce ikinci ömür karar verme sürecini içerir. SOC koşullandırması, geleneksel sabit akım sabit voltaj (CCCV) yöntemi kullanılarak emekli pillerin SOC değerlerinin istenen seviyelere ayarlanmasını ifade eder.   Darbe voltajı tepki verisi üretimi için dikkatli varyasyonel oto kodlayıcının şematiği.   SOH tahmini için veri üretim modeli pratik kullanımı, ek SOC koşullandırması gerektirmez. Eğitilmiş makine öğrenmesi modeli, üretilen verilerle denetlenir ve dağıtım aşamasında alındığında anında darbe voltajı yanıtlarını alır.   2030 pil emeklilik senaryosunda küresel olarak SOC koşullandırma maliyetlerinden tasarruf ederek metodolojimizin ekonomik ve çevresel faydaları ve hızlı üretim hızı.  a b c d Sonuçlar Veri seti edinimi Veri kıtlığı ve heterojenliği, veriye dayalı pil teşhisi ve prognozunda, özellikle emekli piller için büyük zorluklardır. 5%'lik bir adımla %5 ila %50 arasında değişen geniş SOC seviyelerinden 270 fiziksel olarak emekli pil örneği topladık. Şekil 2a'da , veri seti 3 yaygın katot malzeme türünü içerir: 119 fiziksel olarak toplanmış NMC (nikel manganez kobalt oksit), 56 LFP (lityum demir fosfat) ve 95 LMO (lityum manganez oksit) emekli pil, 3 fiziksel format (silindirik, kese, prizmatik) ve 4 geçmiş kullanım modeli (1 laboratuvar hızlandırılmış test, 3 EV kullanımı, dahil 1 saf elektrikli aktarma organı modu ve 2 hibrit aktarma organı modu). Çok çeşitli test örneklerinin dahil edilmesiyle veri setimizin, emekli pillerin SOH tahmini için bugüne kadarki en büyük hızlı darbe tabanlı veri seti olduğunu vurguluyoruz, bu da fiziksel olarak ölçülmüş veri kümelerinin ötesinde model genelleştirilebilirliğini kolaylaştırır.    Emekli pil dağılımı için Sankey grafiği, katot malzeme türlerini, fiziksel formatları, kapasite tasarımlarını ve geçmiş kullanımları içerir.   Darbe akımı ve ardından darbe voltajı tepkisi, özelliklerin dönüm noktalarından, yani voltaj tepkisi eğrisinin sıfır ikinci türevi olan noktalardan çıkarıldığı. U1'den U21'e kadar 21 özellik noktası çıkarılır. Ham veriler için kayıt frekansı 100 Hz'dir. C-oranında her darbe arasındaki dinlenme süresi 25 saniyedir. C oranının, 1 saatlik şarj (deşarj) yapıldığında şarj (deşarj) oranını temsil ettiğine dikkat edin. Ortam sıcaklığı 25°C'de kontrol edilir.   Örnek olarak, 2,1 Ah ve 21 Ah emekli piller için sağlık durumu (SOH) dağılımı (Gauss uydurması). Diğer pil türlerinin SOH dağılımı için lütfen Ek Şekil 1'e bakınız.    Ölçülen darbe voltajı tepkisi ile kapasite kalibrasyon testiyle kalibre edilmiş SOH arasındaki ilişki, değişen şarj durumu (SOC) koşullarıyla. İlk özellik boyutu, U1, gösterilir.   Farklı pil emeklilik SOC dağılımları altında enterpolasyon ve ekstrapolasyon veri üretimi vaka gösterimi. Detaylı test ayarları Ek Not 1 ve Ek Not 2'de yer almaktadır ,  C-oranı ayarının tüm katot malzeme türleri arasında aynı olduğuna dikkat edin. Kaynak veriler bir Kaynak Veri dosyası olarak sağlanmıştır. a b c d e Düzenli sabit akım sabit voltaj (CCCV) testinin aksine, darbe testi uzun test süresi uygulamaz ve emekli pillere ek zarar vermez. Bu nedenle, SOH kıyaslama kapasite değerleri olarak CCCV sonuçlarını kullanıyoruz. Darbe testi verileri, üretken öğrenme modeli için eğitim verileri olarak kullanılır. Pil katot malzeme tipi değişse de, pratik kullanımda uyumluluğu sağlamak için standartlaştırılmış ve erişilebilir bir özellik mühendisliği gerçekleştiriyoruz. Şekil 2b , darbe akımı enjeksiyonundan sonra özellik çıkarma işlemini göstermektedir. CCCV ve darbe enjeksiyonu deneysel ayarları Ek Not 1'de bulunabilir . İlk beş enjekte edilen darbe için, dönüm noktaları, yani voltaj tepkilerinin ikinci türevinin sıfır olduğu noktalar, özellikler olarak kaydedilir ve 21 boyutlu özellikler elde edilir. 5 saniyelik darbe süresine rağmen, darbe genişliğine duyarlılık ölçümü de yapıyoruz, bu da darbe sağlamlığını doğrulama ve test süresini daha da kısaltma gibi ikili bir amaca hizmet ediyor ve 30 ms ile 5 s arasında değişiyor. Laboratuvar testlerinde hızlandırılmış yaşlandırmayı (Ek Not 2 ) ve gerçek EV sürüş yaşlanmasını dikkate alıyoruz, ancak veri gizliliği kısıtlamaları nedeniyle açık sürüş profillerine karşı kayıtsızız. Şekil 2c'de , hızlandırılmış yaşlandırma pilleri (NMC, 2,1 Ah) ve saf pil EV sürüş yaşlandırma pilleri (NMC, 21 Ah) için SOH dağılımları gösterilmektedir. SOH değerlerinin 0,6 ila 1 arasındaki geniş bir SOH bölgesinde tamamlayıcı olduğuna dikkat çekerek, 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 1 . Darbe testleri, rastgele emeklilik pilleri toplama durumunu simüle etmek için %5 ila %50 arasında değişen farklı SOC seviyelerinde tekrarlanır. Test edilen SOC bölgesi, emekli pillerin düşük SOC sergilediği veya güvenli sabit depo depolama gereksinimleri için zorunlu deşarj edildiği varsayımı altında olduğundan, SOC üst sınırı %50 olarak ayarlanmıştır. Şekil 2d'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

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

Bu ses hikayenin orijinal dilinde üretilmiştir!

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

About Author

YORUMLAR

ETİKETLERİ ASIN

BU YAZI

Related Stories

Forumlardan Feed'lere: Sosyal Medya Algoritmaları Dijital Etkileşimi Nasıl Şekillendiriyor

HackerNoon Yazma Yarışmasını mı Kazanmak İstiyorsunuz? İşte #crypto-api Yarışması Kazananlarının Önerileri

State of the Noonion: Building, Selling and Storytelling @ HackerNoon

Başarılı Buluta Geçiş İçin Tam Kılavuz: Stratejiler ve En İyi Uygulamalar

Forumlardan Feed'lere: Sosyal Medya Algoritmaları Dijital Etkileşimi Nasıl Şekillendiriyor

HackerNoon Yazma Yarışmasını mı Kazanmak İstiyorsunuz? İşte #crypto-api Yarışması Kazananlarının Önerileri

State of the Noonion: Building, Selling and Storytelling @ HackerNoon

Başarılı Buluta Geçiş İçin Tam Kılavuz: Stratejiler ve En İyi Uygulamalar

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps