Sztuczna inteligencja wydłuża życie baterii nawet o 23%

Sztuczna inteligencja może wydłużyć życie baterii samochodów elektrycznych o prawie 23% bez wydłużania czasu szybkiego ładowania.

.Nowa metoda nie wymaga zmiany konstrukcji akumulatora, lecz inteligentnego dostosowania prądu ładowania do aktualnego stanu baterii. Jeśli rozwiązanie potwierdzi się w testach na fizycznych ogniwach, może stać się jednym z najważniejszych przykładów tego, jak AI zaczyna działać nie tylko w chmurze i centrach danych, lecz także w infrastrukturze codziennego transportu.

Szybkie ładowanie niszczy żywotność baterii

.Szybkie ładowanie jest jednym z warunków masowej akceptacji samochodów elektrycznych. Interesariusze samochodów elektrycznych chcą krótszych postojów, większego zasięgu i niższych kosztów gwarancyjnych, a państwa szybszej elektryfikacji transportu. Problem polega na tym, że szybkie ładowanie ma swoją cenę, którym jest mniejsza żywotność baterii.

Naukowcy z Chalmers University of Technology w Szwecji twierdzą, że można tą sprzeczność częściowo rozwiązać. Opracowana przez nich metoda wykorzystuje sztuczną inteligencję do tego, by podczas każdego szybkiego ładowania dostosowywać prąd do chemii baterii oraz jej aktualnego stanu zużycia. W badaniu opublikowanym w „IEEE Transactions on Transportation Electrification” wykazano, że takie podejście może wydłużyć życie baterii o około 23 proc. bez istotnego wydłużenia czasu ładowania.

To ważne, ponieważ w przypadku elektromobilności bateria pozostaje jednym z najbardziej wrażliwych elementów całego systemu: technicznie, finansowo i psychologicznie. Jej trwałość wpływa na wartość odsprzedaży samochodu, koszty eksploatacji, zaufanie konsumentów i tempo przechodzenia z napędu spalinowego na elektryczny.

AI wspomagające szybkie ładowanie

.Standardowe metody szybkiego ładowania działają według z góry przyjętych parametrów prądu i napięcia. W praktyce oznacza to, że podobny schemat może być stosowany zarówno wobec nowej baterii, jak i wobec wysłużonej jednostki prądotwórczej. Tymczasem bateria starzeje się, a wraz z wiekiem zmieniają się jej właściwości elektrochemiczne.

Model opracowany przez badaczy uczy się, jak modyfikować ładowanie w zależności od tego, w jakim stanie znajduje się bateria. Bierze pod uwagę zarówno poziom naładowania, jak i ogólny stan zdrowia akumulatora. Celem nie jest po prostu „ładować szybciej”, lecz ładować tak, aby zachować szybkość, a jednocześnie ograniczyć reakcje chemiczne odpowiedzialne za degradację.

Badacze wykorzystali uczenie przez wzmacnianie, czyli metodę, w której algorytm uczy się przez nagradzanie właściwych decyzji. W tym przypadku „właściwą decyzją” oznaczany jest taki dobór parametrów ładowania, który pozwala utrzymać krótki czas postoju jednocześnie zmniejszając długoterminowe zużycie baterii.

Degradacja baterii zmorą inżynierów

.Szybkie ładowanie wymusza przepływ dużego prądu do ogniw. W określonych warunkach może to prowadzić do niepożądanych reakcji chemicznych. Jedną z najgroźniejszych jest tzw. lithium plating, czyli zjawisko, w którym metaliczny lit osadza się na elektrodzie, zamiast zostać prawidłowo włączony w strukturę baterii.

Skutkiem może być spadek pojemności akumulatora. W skrajnych przypadkach nierównomierna struktura osadzonego litu może również zwiększać ryzyko zwarcia. Ryzyko tego rodzaju incydentu rośnie wraz z wiekiem baterii, dlatego ładowanie akumulatora kilkuletniego tak samo jak nowego jest technicznie wygodne, ale naraża system na komplikacje.

Samochód elektryczny jako infrastruktura AI

.Znaczenie tego typu badań wykracza poza pojedynczą innowację w dziedzinie akumulatorów. Pokazuje ono kierunek, w którym zmierza przemysł motoryzacyjny, który od dziesiątek lat szpikowany jest najnowocześniejszą technologią, począwszy od marek luksusowych, które nadają kierunek rozwoju masowej motoryzacji.

Wynikiem rozwoju technologii coraz więcej funkcji samochodu może być ulepszanych nie przez wymianę części, lecz przez aktualizację systemu. W przypadku metody Chalmers University of Technology badacze wskazują, że rozwiązanie mogłoby zostać wdrożone w systemach zarządzania baterią zasadniczo poprzez aktualizację oprogramowania. Warunkiem jest jednak kalibracja metody dla różnych typów baterii.

Od symulacji do testów na fizycznych bateriach

.Badanie oparto na modelu jednej z popularnych baterii stosowanych w samochodach elektrycznych oraz na symulacji parametrów wpływających na czas ładowania i stan akumulatora. Następnym etapem mają być testy bezpośrednio na fizycznych bateriach. Dopiero one pokażą, jak metoda zachowa się w warunkach rzeczywistych, poza środowiskiem symulacyjnym.

Nie jest to jeszcze gotowy produkt rynkowy. Jest to jednak ważny sygnał, że sztuczna inteligencja nie musi być wyłącznie narzędziem generowania tekstu, obrazu czy kodu. Może stać się warstwą zarządzającą materialną infrastrukturą świata wielu dziedzin w tym: energią, transportem, bateriami i cyklem życia zasobów.

W tym sensie najciekawsza część tej historii nie dotyczy samego ładowania. Dotyczy tego, że przyszłość elektromobilności może zależeć nie tylko od nowych materiałów i większych fabryk akumulatorów, lecz także od tego, jak inteligentnie będziemy używać baterii, które już mamy.

Szymon Ślubowski