Forschung -

Nutzungsdauer von Batterien mit Daten und KI bestimmen

Wissenschaftler haben herausgefunden, wie man die Nutzungsdauer von Lithium-Ionen-Batterien, die in Geräten vom Mobiltelefon bis zum Elektroauto verwendet werden, genauer als bisher vorhersagen kann.

Wenn die Hersteller von Handy-Batterien bestimmen könnten, welche Zellen mindestens zwei Jahre halten, dann könnten sie nur solche an Telefonhersteller verkaufen und den Rest Herstellern von weniger anspruchsvollen Geräten anbieten.

Neue Untersuchungen zeigen, wie Hersteller dies tun können. Die Technik lässt sich nicht nur zum Sortieren von hergestellten Zellen einsetzen, sondern man könnte dann auch neue Batteriedesigns schneller im Markt einführen.

Die Kombination umfangreicher experimenteller Daten mit künstlicher Intelligenz ergab den Schlüssel für eine genaue Vorhersage der Nutzungsdauer von Lithium-Ionen-Batterien, bevor deren Kapazität abnimmt, wie Wissenschaftler der Stanford University, des Massachusetts Institute of Technology und des Toyota Research Institute feststellten.

Nachdem die Forscher ihr maschinelles Lernmodell mit einigen Hundert Millionen Datenpunkten vom Laden und Entladen von Batterien trainiert hatten, prognostizierte der Algorithmus, wie viele weitere Zyklen jede Batterie nützlich sein würde, basierend auf Spannungsabfällen und einigen weiteren Faktoren während der ersten Zyklen.

Die Vorhersagen lagen innerhalb von 9 Prozent der Zyklenanzahl, die die Zellen tatsächlich durchlaufen hatten. Separat kategorisierte der Algorithmus die Batterien entweder in eine lange oder kurze Lebenserwartung, basierend auf nur den ersten fünf Lade-/Entladezyklen. Hier waren die Vorhersagen in 95 Prozent der Fälle korrekt.

Diese in "Nature Energy" veröffentlichte maschinelle Lernmethode könnte unter anderem die Forschung und Entwicklung neuer Batteriedesigns beschleunigen und die Zeit und die Kosten der Produktion reduzieren. Die Forscher haben den Datensatz - den größten seiner Art - der Öffentlichkeit zugänglich gemacht.

"Die Standardmethode, um neue Batteriedesigns zu testen, besteht darin, die Zellen so lange zu laden und zu entladen, bis sie ausfallen. Da Batterien eine lange Lebensdauer aufweisen, kann dieser Prozess viele Monate und sogar Jahre dauern", sagte Co-Leiter Peter Attia, Stanford Doktorand in Materialwissenschaften und Ingenieurwesen. "Es ist ein teurer Engpass in der Batterieforschung."

Die Arbeit wurde am 'Center for Data-Driven Design of Batteries' durchgeführt, einer akademisch-industriellen Zusammenarbeit, die Theorie, Experimente und Datenwissenschaft integriert.

Die Stanford-Forscher, unter der Leitung von William Chueh, Assistenzprofessor für Materialwissenschaft und Technik, führten die Batterie-Experimente durch.

Das Team des MIT unter der Leitung von Richard Braatz, Professor für Chemieingenieurwesen, führte die maschinelle Lernarbeit durch. Kristen Severson, Mitautorin des Forschungsberichtes, promovierte im vergangenen Frühjahr am MIT in Chemieingenieurwesen.

Optimierung der Schnellladung

Ein Schwerpunkt des Projekts war es, einen besseren Weg zu finden, um Batterien in 10 Minuten aufzuladen, der die Serieneinführung von Elektrofahrzeugen beschleunigen könnte.

Zur Generierung des Trainingsdatensatzes hatte das Team Akkus geladen und entladen, bis sie jeweils das Ende ihrer Nutzungsdauer erreichten, die sie als Kapazitätsverlust von 20 Prozent definierten.

Auf dem Weg zur Optimierung der Schnellladung wollten die Forscher herausfinden, ob es notwendig ist, ihre Batterien in Grund und Boden zu fahren. Kann die Antwort auf eine Batteriefrage in den Informationen aus den frühen Zyklen gefunden werden?

"Fortschritte in der Rechenleistung und Datengenerierung haben es in letzter Zeit ermöglicht, dass das maschinelle Lernen den Fortschritt für eine Vielzahl von Aufgaben beschleunigt. Dazu gehört auch die Vorhersage von Materialeigenschaften", sagte Braatz. "Unsere Ergebnisse hier zeigen, wie wir das Verhalten komplexer Systeme weit in die Zukunft vorhersagen können."

Im Allgemeinen ist die Kapazität einer Lithium-Ionen-Batterie für eine Weile stabil. Dann nimmt die Kapazität jedoch rapide ab. Der Abfallpunkt variiert stark, wie es die meisten Verbraucher des 21. Jahrhunderts ja wissen.

In diesem Projekt hatten die Batterien eine Lebensdauer von 150 bis 2.300 Zyklen. Diese Abweichung war zum Teil das Ergebnis des Testens verschiedener Methoden des Schnellladens, aber auch der Herstellungsschwankungen zwischen den Batterien.

"Trotz hohem Zeitaufwand und Investitionen für die Batterieentwicklung, wird der Fortschritt immer noch in Jahrzehnten gemessen", sagte Autor Patrick Herring, Wissenschaftler am Toyota Research Institute. "In dieser Arbeit reduzieren wir einen der zeitaufwendigsten Schritte - den Batterietest - um eine Größenordnung."

Einsatzmöglichkeiten

Die neue Methode hat viele Anwendungsmöglichkeiten, sagte Attia. So kann beispielsweise die Zeit für die Validierung neuer Batterietypen verkürzt werden, was angesichts schneller Fortschritte bei den Materialien besonders wichtig ist.

Mit der Sortiertechnik könnten Elektrofahrzeugbatterien, die eine kurze Lebensdauer haben - zu kurz für Autos -, stattdessen zur Stromversorgung von Straßenleuchten oder zur Sicherung von Rechenzentren verwendet werden. Recycler könnten Zellen aus gebrauchten EV-Akkupacks entnehmen, die noch genügend Kapazität für ein zweites Leben haben.

Eine weitere Möglichkeit ist die Optimierung der Batteriefertigung. "Der letzte Schritt bei der Herstellung von Batterien heißt "Formation", was Tage bis Wochen dauern kann", sagte Attia. "Durch unseren Ansatz könnte dieser Zeitraum deutlich verkürzt und die Produktionskosten gesenkt werden."

Mit ihrem Modell optimieren die Forscher nun die Batterieladung in Richtung 10 Minuten, was den Prozess um mehr als den Faktor 10 verkürzen soll.

Weitere Beiträge zum Thema Forschung Alle Artikel des Ressorts
© elektronikinformationen.de 2019 - Alle Rechte vorbehalten