పరిశోధకులు ఇప్పుడు మెషీన్ లెర్నింగ్‌తో బ్యాటరీ జీవితకాలాన్ని అంచనా వేయగలుగుతున్నారు

పరిశోధకులు ఇప్పుడు మెషీన్ లెర్నింగ్‌తో బ్యాటరీ జీవితకాలాన్ని అంచనా వేయగలుగుతున్నారు

సాంకేతికత బ్యాటరీ అభివృద్ధి ఖర్చులను తగ్గించగలదు.

మీరు పుట్టిన రోజున, మీరు ఎంతకాలం జీవిస్తారో మీ తల్లిదండ్రులకు చెప్పే మానసిక వ్యక్తిని ఊహించుకోండి.కొత్త గణన నమూనాలను ఉపయోగిస్తున్న బ్యాటరీ రసాయన శాస్త్రవేత్తలకు ప్రయోగాత్మక డేటా యొక్క ఒకే చక్రం ఆధారంగా బ్యాటరీ జీవితకాలాన్ని లెక్కించడానికి ఇదే విధమైన అనుభవం సాధ్యమవుతుంది.

ఒక కొత్త అధ్యయనంలో, US డిపార్ట్‌మెంట్ ఆఫ్ ఎనర్జీ (DOE) ఆర్గోన్నే నేషనల్ లాబొరేటరీ పరిశోధకులు విస్తృత శ్రేణి బ్యాటరీ కెమిస్ట్రీల జీవితకాలాన్ని అంచనా వేయడానికి మెషిన్ లెర్నింగ్ యొక్క శక్తిని ఆశ్రయించారు.ఆరు వేర్వేరు బ్యాటరీ కెమిస్ట్రీలను సూచించే 300 బ్యాటరీల సెట్ నుండి Argonne వద్ద సేకరించిన ప్రయోగాత్మక డేటాను ఉపయోగించడం ద్వారా, శాస్త్రవేత్తలు వేర్వేరు బ్యాటరీలు ఎంతకాలం చక్రాన్ని కొనసాగిస్తారో ఖచ్చితంగా నిర్ణయించగలరు.

16x9_బ్యాటరీ లైఫ్ షట్టర్‌స్టాక్

వివిధ రకాల రసాయన శాస్త్రాల కోసం బ్యాటరీ సైకిల్ లైఫ్‌ను అంచనా వేయడానికి ఆర్గోన్నే పరిశోధకులు మెషిన్ లెర్నింగ్ మోడల్‌లను ఉపయోగించారు.(చిత్రం షట్టర్‌స్టాక్/సీల్‌స్టెప్ ద్వారా.)

మెషీన్ లెర్నింగ్ అల్గారిథమ్‌లో, శాస్త్రవేత్తలు ఒక కంప్యూటర్ ప్రోగ్రామ్‌కు ప్రాథమిక డేటా సెట్‌పై అనుమానాలు చేయడానికి శిక్షణ ఇస్తారు, ఆపై మరొక డేటా సెట్‌పై నిర్ణయాలు తీసుకోవడానికి ఆ శిక్షణ నుండి నేర్చుకున్న వాటిని తీసుకుంటారు.

"సెల్ ఫోన్‌ల నుండి ఎలక్ట్రిక్ వాహనాల నుండి గ్రిడ్ స్టోరేజ్ వరకు ప్రతి విభిన్న రకాల బ్యాటరీ అప్లికేషన్‌ల కోసం, ప్రతి వినియోగదారునికి బ్యాటరీ జీవితకాలం ప్రాథమిక ప్రాముఖ్యత కలిగి ఉంటుంది" అని అధ్యయనం యొక్క రచయిత ఆర్గోన్ గణన శాస్త్రవేత్త నోహ్ పాల్సన్ చెప్పారు.“బ్యాటరీ విఫలమయ్యే వరకు వేలసార్లు సైకిల్‌ను తిప్పడం సంవత్సరాలు పట్టవచ్చు;మా పద్ధతి ఒక రకమైన గణన పరీక్ష వంటగదిని సృష్టిస్తుంది, ఇక్కడ వివిధ బ్యాటరీలు ఎలా పని చేయబోతున్నాయో మేము త్వరగా నిర్ధారించగలము.

"ప్రస్తుతం, బ్యాటరీలో కెపాసిటీ ఎలా ఫేడ్ అవుతుందో అంచనా వేయడానికి ఏకైక మార్గం బ్యాటరీని సైకిల్ చేయడమే" అని అధ్యయనం యొక్క మరొక రచయిత ఆర్గోన్నే ఎలక్ట్రోకెమిస్ట్ సుసాన్ "సూ" బాబినెక్ జోడించారు."ఇది చాలా ఖరీదైనది మరియు దీనికి చాలా సమయం పడుతుంది."

పాల్సన్ ప్రకారం, బ్యాటరీ జీవితకాలాన్ని స్థాపించే ప్రక్రియ గమ్మత్తైనది."వాస్తవమేమిటంటే, బ్యాటరీలు శాశ్వతంగా ఉండవు మరియు అవి ఎంతకాలం మన్నుతాయి అనేది మనం వాటిని ఉపయోగించే విధానం, అలాగే వాటి డిజైన్ మరియు వాటి కెమిస్ట్రీపై ఆధారపడి ఉంటుంది" అని అతను చెప్పాడు."ఇప్పటి వరకు, బ్యాటరీ ఎంతకాలం కొనసాగుతుందో తెలుసుకోవడానికి నిజంగా గొప్ప మార్గం లేదు.ప్రజలు కొత్త బ్యాటరీ కోసం డబ్బు ఖర్చు చేసే వరకు తమకు ఎంత సమయం ఉందో తెలుసుకోవాలనుకుంటున్నారు.

అధ్యయనం యొక్క ఒక ప్రత్యేక అంశం ఏమిటంటే, ఇది వివిధ రకాల బ్యాటరీ కాథోడ్ పదార్థాలపై, ప్రత్యేకించి ఆర్గోన్ యొక్క పేటెంట్ పొందిన నికెల్-మాంగనీస్-కోబాల్ట్ (NMC)-ఆధారిత కాథోడ్‌పై ఆర్గోన్‌లో చేసిన విస్తృతమైన ప్రయోగాత్మక పనిపై ఆధారపడింది."మేము వేర్వేరు కెమిస్ట్రీలను సూచించే బ్యాటరీలను కలిగి ఉన్నాము, అవి క్షీణించే మరియు విఫలమయ్యే వివిధ మార్గాలను కలిగి ఉన్నాయి" అని పాల్సన్ చెప్పారు."ఈ అధ్యయనం యొక్క విలువ ఏమిటంటే, ఇది వివిధ బ్యాటరీలు ఎలా పని చేస్తాయనే లక్షణాలకు సంబంధించిన సంకేతాలను అందించింది."

ఈ ప్రాంతంలో తదుపరి అధ్యయనం లిథియం-అయాన్ బ్యాటరీల భవిష్యత్తుకు మార్గనిర్దేశం చేసే సామర్థ్యాన్ని కలిగి ఉంది, పాల్సన్ చెప్పారు."తెలిసిన కెమిస్ట్రీపై అల్గారిథమ్‌కు శిక్షణ ఇవ్వడం మరియు తెలియని కెమిస్ట్రీపై అంచనాలు వేయడం మేము చేయగలిగే వాటిలో ఒకటి," అని అతను చెప్పాడు."ముఖ్యంగా, అల్గోరిథం ఎక్కువ జీవితకాలాన్ని అందించే కొత్త మరియు మెరుగైన కెమిస్ట్రీల దిశలో మాకు సహాయపడవచ్చు."

ఈ విధంగా, మెషీన్ లెర్నింగ్ అల్గోరిథం బ్యాటరీ పదార్థాల అభివృద్ధి మరియు పరీక్షలను వేగవంతం చేయగలదని పాల్సన్ విశ్వసించాడు.“మీ దగ్గర కొత్త మెటీరియల్ ఉందని చెప్పండి మరియు మీరు దాన్ని కొన్ని సార్లు సైకిల్ చేయండి.మీరు దాని దీర్ఘాయువును అంచనా వేయడానికి మా అల్గారిథమ్‌ని ఉపయోగించవచ్చు, ఆపై మీరు దానిని ప్రయోగాత్మకంగా కొనసాగించాలనుకుంటున్నారా లేదా అనే దానిపై నిర్ణయాలు తీసుకోవచ్చు."

"మీరు ల్యాబ్‌లో పరిశోధకులైతే, మీరు తక్కువ సమయంలో మరిన్ని మెటీరియల్‌లను కనుగొనవచ్చు మరియు పరీక్షించవచ్చు ఎందుకంటే వాటిని మూల్యాంకనం చేయడానికి మీకు వేగవంతమైన మార్గం ఉంది" అని బాబినెక్ జోడించారు.

అధ్యయనం ఆధారంగా ఒక కాగితం, "మెషీన్ లెర్నింగ్ కోసం ఫీచర్ ఇంజనీరింగ్ బ్యాటరీ జీవితకాలం యొక్క ముందస్తు అంచనాను ప్రారంభించింది, పవర్ సోర్సెస్ జర్నల్ యొక్క ఫిబ్రవరి 25 ఆన్‌లైన్ ఎడిషన్‌లో కనిపించింది.

పాల్సన్ మరియు బాబినెక్‌లతో పాటు, ఆర్గోనే యొక్క జోసెఫ్ కుబాల్, లోగాన్ వార్డ్, సౌరభ్ సక్సేనా మరియు వెన్‌క్వాన్ లూ వంటి ఇతర రచయితలు ఉన్నారు.

ఈ అధ్యయనానికి అర్గోన్ లేబొరేటరీ-డైరెక్ట్ రీసెర్చ్ అండ్ డెవలప్‌మెంట్ (LDRD) గ్రాంట్ ద్వారా నిధులు అందించబడ్డాయి.

 

 

 

 

 


పోస్ట్ సమయం: మే-06-2022