通过联合机器学习进行合作和保护隐私的退役电池分类,以实现有利可图的直接回收利用
Shengyu Tao1, Haizhou Liu1, Chongbo Sun1
1Tsinghua-Berkeley Shenzhen Institute, Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen, China.
Nature communications
|December 5, 2023
概括
一种新的联合机器学习方法准确地根据正极材料对退役的离子电池进行分类,以保护数据隐私. 这种方法使有效的直接回收成为可能,这对于可持续的电池经济至关重要.
科学领域:
- 材料科学 材料科学 材料科学
- 计算机科学 计算机科学
- 环境科学 环境科学
背景情况:
- 退役的离子电池的直接回收受阻于需要对各种阴极材料进行分类.
- 挑战包括不同的电池历史,制造商和合作者之间的数据隐私问题.
研究的目的:
- 开发一种保护隐私的联合机器学习方法,用于精确分类退役的离子电池.
- 通过根据阴极材料准确分类电池,实现有效的直接回收利用.
主要方法:
- 利用了130个离子电池的独特数据集,其中包括5种正极材料和7个制造商.
- 采用一个联合的机器学习模型,分析生命周期结束的充放电周期特征.
- 实施了Wasserstein远程投票策略,以获得可靠的分类.
主要成果:
- 实现了低阴极分类错误:1%在同质的回收环境中和3%在异质的回收环境中.
- 证明成功的电池分类,而不依赖于过去的操作数据,确保数据隐私.
- 在不同电池类型和制造商中验证了该模型的有效性.
结论:
- 联合机器学习为排序退役的离子电池提供了一个可行的,尊重隐私的解决方案.
- 精确的电池分类具有经济价值,对于可持续的回收行业至关重要.
- 这种方法在使用敏感数据的分布式系统中促进了协作决策.
