Prévision précise de la durée de vie des batteries par IA – Étude DOE Argonne

Dans une nouvelle étude, des chercheurs du Laboratoire National Argonne du Département de l'Énergie américain (DOE) se sont tournés vers l'apprentissage automatique pour prédire les durées de vie d'une large gamme de chimies de batteries différentes. En utilisant des données expérimentales recueillies à Argonne à partir d'un ensemble de 300 batteries représentant six chimies de batteries différentes, les scientifiques peuvent déterminer avec précision combien de temps différentes batteries continueront à cycler.

Dans un algorithme d'apprentissage automatique, les scientifiques entraînent un programme informatique à faire des inférences sur un ensemble initial de données connues qui lui est fourni, puis prennent ce qu'il a appris de cet entraînement pour prendre des décisions sur un nouvel ensemble de données inconnues.

« 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 », a déclaré le scientifique computationnel d'Argonne Noah Paulson, auteur de l'étude. « Devoir cycler 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 computationnelle où nous pouvons rapidement établir comment différentes batteries vont performer. »

« Actuellement, la seule façon d'évaluer comment la capacité d'une batterie s'estompe est de réellement cycler la batterie », a ajouté l'électrochimiste d'Argonne Susan « Sue » Babinec, une autre auteure de l'étude. « C'est très cher et cela prend beaucoup de temps. »

Selon Paulson, le processus d'établissement d'une durée de vie de batterie peut être délicat. « La réalité est que les batteries ne durent pas éternellement, et la durée de leur vie dépend de la façon dont nous les utilisons, ainsi que de leur conception et de leur chimie », a-t-il dit. « Jusqu'à présent, il n'y a vraiment pas eu de bonne façon de savoir combien de temps une batterie va durer. Les gens vont vouloir savoir combien de temps ils ont avant de devoir dépenser de l'argent pour une nouvelle batterie. »

Un aspect unique de l'étude est qu'elle s'est appuyée sur un travail expérimental approfondi effectué à Argonne sur une variété de matériaux de cathode de batterie, en particulier la cathode brevetée à base de nickel-manganèse-cobalt (NMC) d'Argonne. « Nous avions des batteries qui représentaient différentes chimies, qui ont différentes façons de se dégrader et de tomber en panne », a déclaré Paulson. « La valeur de cette étude est qu'elle nous a donné des signaux caractéristiques de la façon dont différentes batteries performent. »

Des études supplémentaires dans ce domaine ont le potentiel de guider l'avenir des batteries lithium-ion, a déclaré Paulson. « L'une des choses que nous sommes capables 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 dit. « Essentiellement, l'algorithme peut nous aider à pointer dans la direction de chimies nouvelles et améliorées qui offrent des durées de vie plus longues. »

De cette façon, Paulson croit que l'algorithme d'apprentissage automatique pourrait accélérer le développement et le test des matériaux de batterie. « Disons que vous avez un nouveau matériau, et vous le cyclez quelques fois. Vous pourriez utiliser notre algorithme pour prédire sa longévité, et puis prendre des décisions quant à savoir si vous voulez continuer à le cycler expérimentalement ou non. »

« Si vous êtes un chercheur en laboratoire, vous pouvez découvrir et tester beaucoup plus de matériaux en moins de temps car vous avez un moyen plus rapide de les évaluer », a ajouté Babinec.

Un article basé sur l'étude, « Feature engineering for machine learning enabled early prediction of battery lifetime », est paru dans l'édition en ligne du 25 février du Journal of Power