Optimización de circuito cerrado de protocolos de carga rápida para baterías con aprendizaje automático | JoVE Visualize

Área de la Ciencia:

Ciencias de los materiales
La electroquímica
Aplicaciones de aprendizaje automático

Sus antecedentes:

La optimización de los parámetros de diseño en experimentos que consumen mucho tiempo, como las baterías de iones de litio, crea cuellos de botella en la investigación científica y la ingeniería.
La evaluación de la vida útil de la batería requiere una experimentación extensa, que toma meses o años, complicada aún más por los grandes espacios de parámetros y la alta variabilidad.
El desafío crítico radica en reducir tanto el número como la duración de los experimentos necesarios para la optimización del proceso y el control.

Objetivo del estudio:

Desarrollar y demostrar una metodología de aprendizaje automático (ML) para optimizar eficientemente los protocolos de carga rápida para maximizar la vida útil de la batería de iones de litio.
Para reducir el costo experimental mediante la combinación de un modelo de predicción temprana con un algoritmo de optimización bayesiano.
Para aliviar la ansiedad de alcance para los usuarios de vehículos eléctricos mediante la identificación de protocolos de carga superiores.

Principales métodos:

Desarrolló una metodología ML para optimizar los perfiles de corriente y voltaje para protocolos de carga rápida de seis pasos y diez minutos.
Se integró un modelo de predicción temprana para pronosticar la vida final del ciclo a partir de los datos experimentales iniciales, reduciendo la duración del experimento individual.
Empleó un algoritmo de optimización bayesiano para explorar eficientemente el espacio de parámetros y minimizar el número total de experimentos requeridos.

Principales resultados:

Se identificaron rápidamente protocolos de carga de ciclo de vida alto de 224 candidatos en 16 días, una reducción significativa en comparación con más de 500 días para una búsqueda exhaustiva sin predicción temprana.
Validación de la precisión y la eficiencia del enfoque de optimización basado en el aprendizaje automático desarrollado.
Demostró una metodología de circuito cerrado que utiliza retroalimentación experimental para guiar futuras decisiones de optimización.

Conclusiones:

La metodología ML acelera efectivamente la optimización de los protocolos de carga rápida para maximizar la vida útil de la batería de iones de litio.
El enfoque combinado de la predicción temprana y la optimización bayesiana reduce sustancialmente el tiempo y los recursos necesarios para la optimización experimental compleja.
Esta metodología es generalizable a otras aplicaciones de diseño de baterías y dominios científicos con experimentos que requieren mucho tiempo y espacios de parámetros multidimensionales.