برنامج ذكاء اصطناعي يتنبأ بتدهور بطارية السيارات الكهربائية قبل الأوان

تُعد بطاريات الليثيوم أيون مكوناً رئيسياً لمعظم السيارات الكهربائية، بفضل أدائها العالي وكفاءتها وسلامتها، مقارنة بالبطاريات التقليدية، لكن لا تزال هناك مشكلة تقف

تُعد بطاريات الليثيوم أيون مكوناً رئيسياً لمعظم السيارات الكهربائية، بفضل أدائها العالي وكفاءتها وسلامتها، مقارنة بالبطاريات التقليدية، لكن لا تزال هناك مشكلة تقف حائلاً مع التنامي الآخذ في سوق السيارات الكهربائية، يتمثل في التنبؤ بعمرها، فقدرة هذه البطاريات تتدهور مع فقدان السعة بمرور الوقت ويعرف باسم "تقادم التقويم" وفقدان السعة الناتج عن الاستخدام ويعرف باسم "تقادم الدورة"

ولهذا السبب، لجأ باحثون إلى تطوير خوارزميات متقدمة للتعلم الآلي قائمة على الذكاء الاصطناعي للتنبؤ بدقة بعمر التقويم.

في دراسة حديثة بتمويل من برنامج Horizon 2020 التابع للاتحاد الأوروبي، اتخذ فريق من العلماء هذا البحث خطوة إلى الأمام من خلال مقارنة دقة خوارزميتين على نطاق واسع من كيماويات بطاريات الليثيوم أيون التجارية.

على وجه التحديد، قاموا بسحب بيانات تقادم التقويم من ستة أنواع من كيماويات خلايا البطارية: أكسيد الكوبالت الليثيوم (LCO) ، فوسفات حديد الليثيوم (LIP) ، أكسيد المنغنيز الليثيوم (LMO) ، أكسيد التيتانيوم والليثيوم (LTO) ، أكسيد الألومنيوم الكوبالت النيكل (NCA) ، وأكسيد الكوبالت والمنغنيز والنيكل (NMC).

تم تقويم أعمار خلايا البطارية هذه في غرف درجة الحرارة عند 50 و 60 و 70 درجة مئوية، باستخدام الفولتية العالية والمتوسطة والمنخفضة، حسب موقع "ذا نيكست ويب" المعني بالأخبار التقنية.

للتنبؤ بشيخوخة البطاريات، حقق الفريق في كفاءة خوارزميتين للتعلم الآلي، هما: Extreme Gradient Boosting (XGBoost) والشبكة العصبية الاصطناعية (ANN).

لتقييم أداء الخوارزميتين، استخدم الباحثون مقياس متوسط ​​نسبة الخطأ المطلق (MAPE)، والذي يقيس متوسط ​​حجم الأخطاء بين القيم المتوقعة والقيم المقاسة. وببساطة، كلما كانت قيمة MAPE أصغر، زادت دقة التنبؤ.

أظهر اختبار الخوارزميات أنه يمكن استخدام خوارزمية XGBoost للتنبؤ بشكل فعال بعمر التقويم لمعظم كيميائات الخلايا بأقل قدر ممكن من الخطأ المطلق. وفي الوقت نفسه، تنتج ANN نتائج مرضية فقط لكيمياء الخلايا LFP و LTO و NCA.