Les chercheurs sont désormais capables de prédire la durée de vie des batteries grâce à l'apprentissage machine
Une technique qui pourrait réduire les coûts de développement des batteries
Imaginez qu'un médium dise à vos parents, le jour de votre naissance, combien de temps vous vivrez. Une expérience similaire est possible pour les chimistes des batteries qui utilisent de nouveaux modèles informatiques pour calculer la durée de vie des batteries à partir d'un seul cycle de données expérimentales.
Les chercheurs d'Argonne ont utilisé des modèles d'apprentissage automatique pour prédire la durée de vie des batteries pour un large éventail de produits chimiques différents (image symbolique).
pixabay.com
Dans une nouvelle étude, des chercheurs du laboratoire national Argonne du ministère américain de l'énergie (DOE) ont fait appel à la puissance de l'apprentissage automatique pour prédire la durée de vie d'un large éventail de batteries de différentes compositions chimiques. En utilisant les données expérimentales recueillies à Argonne à partir d'un ensemble de 300 batteries représentant six chimies de batterie différentes, les scientifiques peuvent déterminer avec précision la durée de vie des différentes batteries.
Dans un algorithme d'apprentissage automatique, les scientifiques forment un programme informatique à faire des déductions sur un ensemble initial de données, puis utilisent ce qu'il a appris de cette formation pour prendre des décisions sur un autre ensemble de données.
"Pour chaque type d'application de batterie, des téléphones portables aux véhicules électriques en passant par le stockage sur réseau, la durée de vie de la batterie est d'une importance fondamentale pour chaque consommateur", a déclaré Noah Paulson, informaticien à Argonne et auteur de l'étude. "Avoir à faire tourner une batterie des milliers de fois jusqu'à ce qu'elle tombe en panne peut prendre des années ; notre méthode crée une sorte de cuisine de test informatique où nous pouvons rapidement établir comment différentes batteries vont se comporter".
"À l'heure actuelle, la seule façon d'évaluer comment la capacité d'une batterie s'affaiblit est de la faire réellement fonctionner", ajoute Susan "Sue" Babinec, électrochimiste à Argonne et autre auteur de l'étude. "C'est très coûteux et cela prend beaucoup de temps".
Selon Paulson, le processus d'établissement de la durée de vie d'une batterie peut être délicat. "La réalité est que les batteries ne sont pas éternelles, et leur durée de vie dépend de la façon dont nous les utilisons, ainsi que de leur conception et de leur chimie", a-t-il déclaré. Jusqu'à présent, il n'y avait pas vraiment de moyen efficace de savoir combien de temps une batterie allait durer. Les gens vont vouloir savoir combien de temps il leur reste avant de devoir dépenser de l'argent pour une nouvelle batterie."
Un aspect unique de l'étude est qu'elle s'est appuyée sur des travaux expérimentaux approfondis réalisés à Argonne sur divers matériaux de cathode de batterie, en particulier la cathode à base de nickel-manganèse-cobalt (NMC) brevetée par Argonne. Nous avions des batteries qui représentaient différentes chimies, qui se dégradaient et tombaient en panne de différentes manières", a déclaré Paulson. La valeur de cette étude est qu'elle nous a donné des signaux qui sont caractéristiques de la façon dont différentes batteries fonctionnent."
Des études plus poussées dans ce domaine pourraient guider l'avenir des batteries lithium-ion, a déclaré Paulson. L'une des choses que nous sommes en mesure de faire est d'entraîner l'algorithme sur une chimie connue et de lui faire faire des prédictions sur une chimie inconnue", a-t-il déclaré. Essentiellement, l'algorithme peut contribuer à nous orienter vers des produits chimiques nouveaux et améliorés qui offrent des durées de vie plus longues."
De cette façon, Paulson pense que l'algorithme d'apprentissage automatique pourrait accélérer le développement et les tests des matériaux de batterie. "Disons que vous avez un nouveau matériau, et que vous le soumettez à quelques cycles. Vous pourriez utiliser notre algorithme pour prédire sa longévité, et ensuite prendre des décisions quant à savoir si vous voulez continuer à le cycler expérimentalement ou non."
"Si vous êtes un chercheur dans un laboratoire, vous pouvez découvrir et tester beaucoup plus de matériaux en un temps plus court, car vous disposez d'un moyen plus rapide de les évaluer", a ajouté Babinec.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Autres actualités du département science
![Catalyse de la [Fe]-hydrogénase visualisée à l'aide de la spectroscopie de résonance magnétique nucléaire rehaussée de para-hydrogène](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
Recevez les dernières actualités de l’industrie chimique
Ne manquez plus aucune actualité : notre newsletter consacrée à l'industrie chimique, aux méthodes analytiques, aux laboratoires et à la technologie des processus vous informe tous les mardis et jeudis. Les dernières nouvelles du secteur, les produits phares et les innovations - de manière compacte et compréhensible dans votre boîte de réception. Recherché par nos soins, pour que vous n'ayez pas à le faire.
