باتری لیتیومی و هوش مصنوعی (یادگیری ماشین)
باتریهای لیتیومی با توجه به کاربرد گسترده در دستگاههای الکترونیکی قابل حمل و خودروهای الکتریکی و شبکه های هوشمند تقاضای زیادی را به همراه داشته اند.اما کشف مواد با عملکرد بالا یکی از چالش های آزمایشگاهی هست که همواره با آزمون و خطا بصورت تجربی حاصل میشود. بنابراین هزینه مواد و صرف زمان زیاد برای یافتن این مواد و روش ها همواره یک چالش حل نشدنی است.با توجه به گسترش علم کامپیوتر و یادگیری ماشین در تمامی زمینه ها، امروزه علوم کامپیوتر در حوزه ذخیره سازهای انرژی از جمله باتری های قابل شارژ و در میان آنها باتری های لیتیومی ورود کرده است.یادگیری ماشین یا به اختصار ML میتواند بطور موثری کشف مواد را تسریع کند و عملکرد آنها را برای باتری های لیتیمی پیش بینی کند که بطور قابل توجهی توسعه این باتری ها را افزایش می دهد.در سال¬های اخیر نمونه های موفق زیادی با استفاده از هوش مصنوعی و یادگیری ماشین وجود داشته است. در این بررسی به روش های اساسی و روش های معرف یادگیری ماشین در باتری ها پرداخته می شود و در نهایت چالش ها و دیدگاه های هوش مصنوعی در این زمینه بررسی خواهد شد.
مقدمه
تقاضای روزافزون انرژی در زندگی روزمره باعث شده است که برای رفع این نیازمندی ها، درخواست های بیشتری برای باتری های لیتیومی پیشرفته وجود داشته باشد که از جمله آنها میتوان به چگالی انرژی بالا، چگالی توان بالا، چرخه و عمر طولانی تر و هزینه قابل قبول و ارزان اشاره کرد. کشف مواد جدید برای باتری های لیتیومی یکی از عوامل کلیدی برای بهبود این عملکردها از جمله الکترودها، الکترولیت و سایر مواد جدید و پیشرفته است. اندازه گیری های تجربی و شبیه سازی های محاسباتی، دو روش مرسوم برای کشف و تحقق مواد هستند با این حال این روش ها دوره زمانی طولانی مدت دارند و تجزیه و تحلیل خواص مواد به شدت نیازمند شرایط تجهیزات، محیط آزمایشی و تخصص محقق هست که هر یک از آنها میتوانند با درصدی از خطا روبرو باشند.
با گسترش اطلاعات و داده های آزمایشگاهی، عصر کلان داده ها فرا میرسد و پایگاه های داده ساخته شده از جمله پایگاه داده ساختار کرستال معدنی(ICSD)، پایگاه داده ساختار کمبریج، پایگاه داده فایل و پروژه مواد(MP) و پایگاه داده باز مواد کوانتومی، یک راه موثر برای تسریع کشف و طراحی مواد جدید برای باتری های لیتیومی است. یادگیری ماشین یک ابزار قدرتمند برای کشف وپیش بینی عملکرد مواد جدید در ابعاد زیاد است، این ابزار به سه بخش تقسیم میشود: ورودی، مدل و خروجی که از طریق داده های آموزشی و الگوریتم های بهینه سازی شده و سپس ساخت رابط بین ورودی و خروجی حاصل میشود. و پس از آن ماشین با توجه به آنها به پیش بینی و کشف مواد جدید خواهد پرداخت. ترویج و توسعه بیشتر مواد در باتری های لیتیومی به مروری جامع بر کاربرد یادگیری ماشین در باتری های لیتیومی و اجزای موجود در باتری ها از جمله الکترولیت، کاتد و آند نیازمند است که در بخش های بعدی به آن پرداخته خواهد شد.
رویه اساسی یادگیری ماشین در باتری های لیتیومی
روش یادگیری ماشین تا حدودی مشابه روش یادگیری انسان است. تفاوت این است که هوش انسان به مغز متکی است، در حالی که یادگیری ماشین متکی بر الگوریتم های کامپیوتری است. به طور کلی، چهار مرحله اصلی در روش یادگیری ماشین وجود دارد: جمع آوری داده ها، مهندسی ویژگی ها، ساخت مدل و کاربرد مدل. ابتدا داده ها در اندازه گیری های تجربی و محاسبات شبیه سازی جمع آوری می شوند یا از پایگاه های داده باز به دست می آیند. سپس ویژگی های داده های اصلی باید استخراج و به عنوان داده های آموزشی برای آموزش یک مدل یادگیری ماشین انتخاب شوند. سوم، الگوریتمهای یادگیری ماشین برای ساخت یک مدل و یادگیری از دادههای آموزشی انتخاب میشوند. در نهایت، می توان از آن برای هدایت کشف مواد جدید یا پیش بینی خواص باتری ها لیتیومی استفاده کرد.
روش های یادگیری ماشین در باتری های لیتیومی
روشهای یادگیری ماشین نقش کلیدی در نتایج پیشبینیشده توسط هوش مصنوعی و کامپیوترها دارند. انتخاب یک مدل یادگیری ماشین مناسب نه تنها می تواند نتایج معتبری به دست آورد، بلکه زمان محاسبه را نیز کوتاه می کند. اگرچه هزاران الگوریتم هوش مصنوعی وجود دارد، اما می توان آنها را بر اساس پیشرفت یادگیری به سه دسته تقسیم کرد که شامل یادگیری تحت نظارت، یادگیری بدون نظارت و یادگیری تقویتی هستند.
دسته بندی الگوریتم های یادگیری ماشین
1. یادگیری تحت نظارت
یادگیری تحت نظارت پرکاربردترین ابزار مؤثر در بین روش های یادگیری ماشین در باتری های لیتیومی است. به مجموعه کاملی از داده های آموزشی، از جمله داده های ورودی و داده های خروجی مربوطه نیاز دارد. یادگیری نظارت شده می تواند یک مدل یادگیری از داده های آموزشی ایجاد کند و سپس نمونه های جدیدی را با توجه به مدل استنباط کند. خروجی مدل یادگیری می تواند یک مقدار پیوسته یا یک برچسب پیش بینی شده باشد. با توجه به نوع خروجی، یادگیری تحت نظارت را می توان به مسائل طبقه بندی و مسائل رگرسیونی تقسیم کرد. هدف از مسئله طبقه بندی، پیش بینی دسته نمونه ها از طریق ورودی است. ماشین بردار پشتیبان(SVM) یکی از پرکاربردترین مدل ها در یادگیری تحت نظارت است. و رگرسیون عمدتاً برای پیش بینی مقدار واقعی یک متغیر استفاده می شود که خروجی آن نتیجه طبقه بندی نیست بلکه یک مقدار واقعی است.
2. یادگیری بدون نظارت
یادگیری بدون نظارت نوع دیگری از روش یادگیری ماشین است که میتواند به طور خودکار دادههای ورودی را بدون نمونههای آموزشی برچسبگذاری شده طبقهبندی کند. برخلاف یادگیری تحت نظارت، به مجموعه کاملی از داده های ورودی و خروجی نیاز ندارد و خروجی آن معمولا نامشخص است. هیچ مداخله ای توسط انسان در یادگیری بدون نظارت وجود ندارد. می تواند به طور مستقل داده ها را تفسیر کند و به دنبال راه حل باشد. برخی از الگوها و اطلاعات جدید را می توان با یادگیری بدون نظارت یافت اما نه با روش های دیگر. تجزیه و تحلیل ، مشکلات خوشه بندی، و کاهش ابعاد داده را می توان با یادگیری بدون نظارت حل کرد. روشهای زیادی برای یادگیری بدون نظارت وجود دارد، مانند رمزگذاری های خودکار، تجزیه و تحلیل مؤلفههای اصلی، K-means، خوشهبندی فضایی مبتنی بر چگالی برنامهها با نویز، و حداکثر کردن انتظارات الگوریتم ها.
3. یادگیری تقویتی
یادگیری تقویتی با پاداش و تنبیه مستمر مشکلات را حل می کند و می تواند پس از تقویت مداوم عملیات به یک استراتژی بهینه دست یابد. این یک فرآیند یادگیری با آزمون و خطا به منظور به حداکثر رساندن بازده طولانی مدت است. یادگیری تقویتی می تواند رفتار و الگوریتم خود را از طریق بازخورد تابع پاداش بهبود بخشد. بر خلاف یادگیری نظارت شده و یادگیری بدون نظارت، فرآیند یادگیری تقویتی پویا و تعاملی است و داده ها در یادگیری تقویتی نیز از طریق تعامل مداوم با محیط تولید می شوند. با این حال، یادگیری تقویتی در عمل ساده نیست و اجرای آن به انواع الگوریتمها نیاز دارد.
الگوریتم های یادگیری ماشین در باتری های لیتیومی
1. رگرسیون خطی (LR)
رگرسیون خطی یکی از ساده ترین مدل ها در یادگیری ماشین است. مجموعه ای از متغیرهای ورودی (x) برای تعیین متغیرهای خروجی (y) در رگرسیون خطی وجود دارد. هدف رگرسیون خطی کمی کردن رابطه بین متغیرهای ورودی (x) و متغیرهای خروجی (y) است. در رگرسیون خطی ، رابطه به صورت معادله y = bx + a بیان می شود که در آن b شیب و a عرض از مبدا است. همانطور که در شکل (3a) نشان داده شده است، هدف رگرسیون خطی این است که نزدیکترین خط را به بیشتر نقاط منطبق کند. مزایای رگرسیون خطی در دو جنبه نهفته است. یکی این که نیاز به هزینه محاسباتی کم دارد. دیگر اینکه تفسیر معنای فیزیکی آن آسان است. با این حال، رابطه بین ورودی و خروجی برای باتری های لیتیومی در اکثر موارد غیرخطی زیاد است. رگرسیون خطی در صورت اعمال پیشبینی نادرست منجر به نتیجه غیر خطی می شود.
2. رگرسیون فرآیند گاوسی (GRR)
رگراسیون خطی از یک معادله خطی y = bx + a برای بیان رابطه بین ورودی و خروجی استفاده میکند که در موارد غیرخطی منجر به پیشبینی نادرست میشود. معادلات غیرخطی را می توان برای پیش بینی نتیجه برای موارد غیرخطی که به عنوان رگرسیون غیرخطی شناخته می شوند، اتخاذ کرد. با این حال، این معادلات از پیش تعیین شده ممکن است نتوانند موارد هدف را به درستی توصیف کنند. فرآیند گاوسی (GP) تمام معادلات ممکن را در نظر می گیرد. رگرسیون فرآیند گاوسی یک مدل ناپارامتریک است که قبل از تجزیه و تحلیل داده ها از GP استفاده می کند. اگر شکل معادله هسته محدود نباشد، رگرسیون فرآیند گاوسی تقریب جهانی هر معادله پیوسته در فضای فشرده از لحاظ نظری است. علاوه بر این، رگرسیون فرآیند گاوسی میتواند نتایج پیشبینی پسینی را ارائه دهد و زمانی که احتمال توزیع نرمال باشد، پسینی شکل تحلیلی دارد. بنابراین، رگرسیون فرآیند گاوسی یک مدل احتمال جهانی و تحلیلی است.
3. نزدیکترین همسایگان نقطه k (kNN)
الگوریتم kNN یکی از کامل ترین الگوریتمها در یادگیری ماشین است. اصل این الگوریتم شناسایی نمونه ها با اکثریت نزدیکترین همسایه به نقطه k آنهاست. همانطور که در شکل (3b) نشان داده شده است، یک سری از داده ها به یک کلاس زرد و یک کلاس بنفش طبقه بندی می شوند. هنگامی که یک نمونه جدید وارد می شود (نمونه قرمز)، مدل، فاصله نمونه قرمز تا هر نمونه زرد و بنفش را محاسبه می کند. سپس، نزدیکترین نقطه k را می توان از داده های آموزشی انتخاب کرد، که در آن نوع اکثریت، نوع نمونه جدید است. kNN نوعی الگوریتم یادگیری نظارت شده است که می تواند برای طبقه بندی و رگرسیون استفاده شود. با این حال، زمانی که مجموعه داده آموزشی بزرگ باشد، پیشبینی kNN زمانبر است.
4. ماشین بردار پشتیبان(SVM)
ماشین بردار پشتیبان یک طبقه بندی خطی تعمیم یافته برای طبقه بندی باینری داده ها است. مرز تصمیم گیری این روش، ماکزیمم سطح فوق العاده حاشیه نمونه های یادگیری است. همانطور که در شکل (3c) نشان داده شده است، SVM ابتدا باید داده هایی را در لبه مجموعه (به نام بردار پشتیبان) پیدا کند و سپس از این نقاط برای به دست آوردن صفحه ای (به نام صفحه تصمیم) استفاده کند، که در آن فاصله بین بردار پشتیبان و صفحه به حداکثر رسیده است. در مسئله طبقه بندی، معمولاً سطوح تصمیم گیری زیادی وجود دارد. مدل پایه ماشین بردار پشتیبان یافتن بهترین صفحه تصمیم در فضای ویژگی است که می تواند فاصله بین نمونه های مثبت و منفی را در مجموعه داده آموزشی به حداکثر برساند. ماشین بردار پشتیبان یک الگوریتم رایج یادگیری ماشین در باتری های لیتیمی است. یکی از مزیت های SVM این است که آنها می توانند با مشکلات پیچیده تری نسبت به مدل های ساده دیگر مانند درخت تصمیم مقابله کنند و می توانند با ادغام درخت های تصمیم گیری مختلف برای یک مشکل یا اضافه کردن عوامل تصادفی، به طور موثر از یکپارچه سازی بیش از حد جلوگیری کنند. مورد دیگر این است که نیاز به تنظیم فراپارامترهای کمتری دارد و نتیجه پیشبینی نسبت به تغییرات مقادیر فراپارامتر و مقیاس مجموعه داده حساس نیست.
5. شبکه عصبی مصنوعی(ANN)
شبکه عصبی مصنوعی یک سیستم پردازش اطلاعات غیرخطی و تطبیقی است که از تعداد زیادی واحد پردازشی به هم پیوسته تشکیل شده است. این یک مدل ریاضی الگوریتمی است که از ویژگی های رفتاری عصبی حیوانات تقلید می کند
شبکه های ساختار معمولی شبکه عصبی مصنوعی در شکل (3d) نشان داده شده است که شامل یک لایه ورودی، یک لایه خروجی و n لایه پنهان است(n ≥ 1). روش¬های ANN می توانند به طور موثر روابط پیچیده غیرخطی را از مجموعه داده های در مقیاس بزرگ پیدا کنند. با این حال، این روشها معمولاً به حجم زیادی از دادههای آموزشی برای دقت پیشبینی نیاز دارند. آنها “جعبه های سیاه” هستند که در آنها از اهمیت فیزیکی صرف نظر می شود. ANN یک الگوریتم یادگیری تحت نظارت رایج است. به خوبی پذیرفته شده است که شبکه عصبی مصنوعی یک مدل یادگیری غیرخطی معمولی است که می تواند روابط غیرخطی پیچیده را در باتری های لیتیومی به طور کامل تقریب بزند. دارای استحکام قوی و تحمل خطا در برابر نویز در داده ها است. با این حال، نیاز به تعیین تعداد زیادی پارامتر مانند توپولوژی شبکه، مقادیر اولیه وزن ها و آستانه ها دارد. فرآیند آموزش به حجم زیادی از داده ها و زمان محاسباتی نیاز دارد.
5. الگوریتم دسته بندی بیز ساده (Naive Bayes Algorithm)
بیز ساده روش های طبقه بندی بر اساس قضیه بیز هستند. در همین حال، شرایط بین ویژگی ها در بیز ساده، مستقل است. اصل ریاضی بیز ساده به شرح زیر است: برای طبقه بندی نمونه ها، احتمال ظهور هر دسته را می توان با یک فرمول احتمال شرطی محاسبه کرد. نمونه ها به دسته ای با بیشترین احتمال تعلق خواهند داشت. یک مثال ساده از یک طبقهبندی ساده بیز در شکل (3e) نشان داده شده است. دو دسته y1 و y2 وجود دارد که هر فرد دارای چهار ویژگی اصلی است. رنگ نشان دهنده ارزش هر ویژگی است. سپس، f(x) توسط الگوریتم بیز ساده آموزش داده می شود. دسته خروجی این مدل است که باعث می شود تابع بیشترین مقدار را داشته باشد. الگوریتم بیز ساده دارای مزایای پیاده سازی ساده، بدون تکرار، بازده یادگیری بالا و عملکرد خوب در حجم نمونه های بزرگ است. با این حال، فرض می کند که شرایط ویژگی داده های ورودی مستقل هستند، که یک فرض بسیار قوی است. بنابراین، زمانی که شرایط ویژگی داده های ورودی مرتبط باشد، قابل اجرا نیست.
6. درخت تصمیم
درخت تصمیم دارای ساختار درختی مشابه نمودار جریان است (شکل 3f). در درخت، گرههای داخلی نشاندهنده آزمایش روی ویژگیها، شاخهها خروجی ویژگیها، گرههای برگ کلاسها و لایه بالایی گره ریشه هستند. درخت تصمیم گیری یک روش پایه طبقه بندی و رگرسیون است. طبقهبندی عمدتاً بر اساس پیشبینی هر گره برگ است، جایی که تصمیم نهایی از طریق پیشبینی پیوسته گرفته میشود. برای رگرسیون ابتدا تابع میانگین برای دوگانگی های چندگانه اعمال می شود و سپس از مقدار میانگین داده های موجود در زیردرخت برای رگرسیون استفاده می شود. درخت تصمیم می تواند نتیجه پیش بینی با دقت بالا را با هزینه محاسباتی کم ارائه دهد. بزرگترین نقطه ضعف درختان تصمیم اینست که درختان بیش از حد پیچیده است که می تواند منجر به یکپارچگی بیش از حد شود. حذف شاخه های نامعتبر با روش های آماری معمولاً برای کاهش پیچیدگی درختان استفاده می شود.
7. الگوریتم K-Means
K-means یک الگوریتم خوشهبندی شناخته شده است که میتواند مرکزهای K را که ساختار خوشهبندی را نشان میدهند، پیدا کند. همانطور که در شکل (4) نشان داده شده است، نقاط سبز مجموعه داده های خام هستند، X قرمز و آبی X نشان دهنده مرکز خوشه در شکل (4b) هستند. اگر نقطه ای نسبت به یک مرکز، به مرکزهای دیگر نزدیکتر باشد، آن نقطه به خوشه ای که با نزدیکترین مرکز نشان داده شده است اختصاص داده می شود (شکل 4c) سپس، مرکز خوشه با نقاط خوشهبندی فعلی بهعنوان مرکز جدید تعریف میشود (شکل 4f). اصل K-means ساده است و به راحتی می توان آن را با معنای فیزیکی واضح به کار برد. با این حال، ضروری است تا مرکز K تا قبل از اجرای K-means به درستی تعیین شود. نکته ای که باید به آن توجه شود این است که نتیجه پیشبینی به نویز و نقاط پرت در دادههای ورودی حساس است.
کاربرد یادگیری ماشین در باتری های لیتیومی
یادگیری ماشین به طور گسترده در باتری های لیتیومی استفاده می شود و ثابت شده است که هم کارایی زمانی و هم دقت پیش بینی دارد. پیشبینی عملکرد و کشف مواد دو جهت اصلی یادگیری ماشین در باتری های لیتیومی هستند. از طریق روشهای یادگیری ماشین، ایجاد رابطه کمی بین ساختار و فعالیت بین توصیفگرها و ویژگیهای تصمیم در هر دو جهت ضروری است. در میان آنها، روش های تحلیل رگرسیون به طور کلی برای پیش بینی عملکردها استفاده می شود که نیاز به در نظر گرفتن بسیاری از ویژگی های اساسی مواد به عنوان توصیف کننده دارد. الگوریتمهای طبقهبندی و خوشهبندی معمولاً برای کشف مواد جدید استفاده میشوند که به مقدار زیادی داده از پایگاههای داده با دسترسی باز نیاز دارند. در این بخش، پیشرفتهای اخیر در کاربردهای یادگیری ماشین در رابطه با الکترولیتها، کاتدها، آندها و عملکرد باتری لیتیومی معرفی میشوند.
الکترولیت
الکترولیت ها اجزای ضروری باتری های لیتیمی هستند و نقش غالبی در تعیین عملکرد باتری لیتیمی دارند. الکترولیتها برای هدایت یونهای لیتیوم در باتریها استفاده میشوند و بنابراین باید هم رسانای یونی و هم عایق الکترونیکی باشند. علاوه بر این، سازگاری رابط الکترود/الکترولیت توسط فعالیتهای شیمیایی و الکتروشیمیایی بین الکترولیت و الکترودها تعیین میشود. بنابراین، یافتن الکترولیتهای با کارایی بالا یک مسئله کلیدی در توسعه باتری لیتیمی پیشرفته است. در حال حاضر، سه نوع عمده الکترولیت در باتری های لیتیومی وجود دارد: الکترولیت های مایع، الکترولیت های پلیمری، و الکترولیت های غیر آلی حالت جامد. بسیاری از روشهای یادگیری ماشین برای کشف مواد جدید الکترولیت و پیشبینی خواص آنها توسعه یافتهاند. همچنین پتانسیل ردوکس الکترولیت ها یک شاخص مهم برای فعالیت واکنش الکتروشیمیایی بین الکترودها و الکترولیت ها است. رویکرد یادگیری ماشین با محاسبات اولیه برای پیش بینی پتانسیل های اکسیداسیون و کاهش افزودنی های جدید در الکترولیت ها ترکیب شد. الکترولیت های جامد (ISE) در سال های اخیر توجه زیادی را به خود جلب کرده اند. در مقایسه با الکترولیتهای مایع معمولی، باتری های لیتیمی که از الکترولیتهای جامد استفاده میکنند، میتوانند چگالی انرژی بالاتر و عملکرد ایمنی برتر و عمر طولانیتری داشته باشند. الکترولیتهای جامد امیدوارکننده زیادی وجود دارد که مورد بررسی قرار گرفته اند، برای این الکترولیتهای جامد ، خاصیت انتقال یون یکی از مهم ترین ویژگی هایی است که انواع روشهای یادگیری ماشین برای تسریع پیشبینی خواص انتقال یون در الکترولیتهای جامد توسعه یافتهاند. به طور کلی، DFT به طور گسترده ای برای بررسی خواص انتقال یون ISE ها استفاده شده است. با این حال، این روش نه تنها وقت گیر است، بلکه برای سیستم های بزرگ حاوی بیش از صد اتم غیرممکن است. ترکیب رویکرد یادگیری ماشین با DFT می تواند به طور موثر محاسبه را تسریع کند و کشف مواد جدید ISE را تشویق کند.
در مقایسه با الکترولیتهای جامد ، الکترولیت های پلیمری(PE) از نظر ایمنی، هزینه و انعطافپذیری دارای مزایایی هستند که یکی از امیدوارکنندهترین مواد الکترولیتی برای باتری های لیتیمی در نظر گرفته میشوند. با این حال، PE ها عموما دارای رسانایی یونی پایینی هستند که کاربرد عملی آنها را در باتری های لیتیومی محدود می کند. برای رفع این مشکل کلیدی، محققان از زمان کشف مطالعات تجربی زیادی انجام داده اند با این حال، عوامل زیادی بر رسانایی یونی به دلیل ترکیب پیچیده پلی اتیلن ها تأثیر می گذارد که به طور چشمگیری پیشرفت تحقیقات را کند می کند. رویکرد یادگیری ماشین می تواند به سرعت خواص انتقال یون پلی اتیلن را پیش بینی کند، که به طور موثری تحقیق در مورد مواد پلی اتیلن پیشرفته را تسریع می کند.
کاتد
یکی از عوامل کلیدی در تعیین چگالی انرژی، توان خروجی، طول عمر چرخه و ایمنی کاربر باتری های لیتیمی، مواد کاتدی مورد استفاده در این باتری ها هستند. ولتاژ، پتانسیل ردوکس، تغییرات حجم، ظرفیت و ضخامت لایه مواد کاتدی،ارتباط نزدیکی با عملکردهای فوق دارد، که عموماً در پیشبینی عملکرد مواد کاتدی استفاده میشود. مواد کاتدی ولتاژ بالا میتوانند پلت فرم ولتاژ باتری های لیتیمی را افزایش دهند که جزء کلیدی برای باتری های لیتیومی با چگالی انرژی بالا است. برای ارزیابی پلت فرم ولتاژ، یک ANN با محاسبات DFT یکپارچه شد تا پتانسیل الکتروشیمیایی مواد کاتدی را پیش بینی کند.نتایج پیشبینی با نتایج تجربی شناخته شده مطابقت خوبی داشت. با این حال، تنها داده های کوچک (31 نمونه) وجود داشت که دقت مدل ANN را محدود می کرد. برای افزایش دقت پیشبینی، ترکیب الگوریتمهای مختلف به 4250 نمونه داده افزایش یافت.
نتایج نشان داد که مدلهای یادگیری ماشین میتوانند روندهای DFT را بازتولید کنند، که با موفقیت برای کشف مواد الکترود از نظر ولتاژ مورد استفاده قرار گرفتند. علاوه بر این، چارچوب ANN-DFT برای پیشبینی پتانسیلهای ردوکس مواد الکترود مولکولی مبتنی بر کربن استفاده شد. ساختار کریستالی مواد کاتدی تأثیر قابل توجهی بر خواص فیزیکی و شیمیایی باتری های لیتیمی داشت. برای بررسی ساختار کریستالی مواد کاتدی، پنج الگوریتم طبقه بندی را با محاسبات DFT برای پیش بینی سیستم های کریستالی بر پایه هوش مصنوعی (یادگیری ماشین) صورت گرفت.
تغییر حجم در مواد کاتدی در طول فرآیند شارژ و دشارژ تأثیر بسیار مهمی بر عملکرد چرخه و طول عمر باتری های لیتیمی دارد. الگوریتم های هوش مصنوعی بر پایه رگراسیون و الگوریتم های تقویتی برای پیش بینی تغییرات حجم در مواد کاتدی بسیار موثر بوده است. بار جرمی الکترود چگالی انرژی باتری را تعیین می کند که باید در فرآیند تولید به طور دقیق کنترل شود. یک مدل یادگیری ماشین مبتنی بر(GPR) برای تجزیه و تحلیل و اهمیت متغیرها، ویژگی ها و تأثیرات آنها بر بار جرمی پیشنهاد شد. در نتیجه، سبب دستیابی به پیشبینی بار جرمی رضایتبخش الکترودها میشود.
آند
فلز لیتیوم دارای ظرفیت ویژه نظری فوق العاده بالایی (3860 میلی آمپر ساعت بر گرم) و پتانسیل الکتروشیمیایی (3.04- ولت در مقابل الکترودهای هیدروژن استاندارد) است که آند «جام مقدس» برای باتری های لیتیمی با چگالی انرژی بالا در نظر گرفته می شود. با این حال، برخی از مشکلات شدید در آندهای فلزی لیتیوم، مانند دندریت و واکنشپذیری بالا، وجود دارد که منجر به راندمان کولمبی پایین، کاهش سریع ظرفیت، طول عمر ضعیف و خطرات ایمنی شدید میشود. در سال های اخیر، رویکردهای یادگیری ماشین برای تسریع مطالعات همبستگی شروع به استفاده از آندهای فلزی لیتیوم کردهاند. در نتیجه، مشخص شد که کاربردهای کمی از یادگیری ماشین در آند وجود دارد و بیشتر آنها بر روی آند فلز لیتیوم تمرکز دارند. در واقع، الکترود سیلیکون، الکترود گرافیت و الکترود آلی مواد آندی امیدوارکننده برای باتری های لیتیمی پیشرفته هستند که همگی دارای مزایا و مشکلات بوده که یادگیری ماشین را می توان در این مواد آند برای حل برخی از مشکلات کلاسیک این مواد، مانند انبساط حجمی الکترود سیلیکونی، استفاده کرد.
عملکرد باتری
عملکردهای باتری، مانند عمر باتری و عملکردهای فرار حرارتی، اهمیت مهمی برای کاربرد عملی باتری های لیتیومی دارند، که به طور مشهودی تحت تأثیر بسیاری از پارامترهای تجربی قرار میگیرند. با این حال، انجام آزمایشات با پارامترهای مختلف نیاز به زمان و هزینه زیادی دارد. روشهای یادگیری ماشین میتوانند به طور مؤثری پیشبینی عملکرد باتری را تسریع کنند و به طور همزمان در زمان و هزینه صرفهجویی کنند.
چوئه و براتز یک مدل پیشبینی عمر چرخه را با استفاده از دادههای تخلیه اولیه چرخه برای کشف کاهش ظرفیت ایجاد کردند.در مدل پیشبینی، 124 سلول تجاری لیتیوم که تحت شرایط شارژ سریع بهعنوان یک مجموعه داده جامع انتخاب شدند که عمر چرخه آنها به طور گستردهای از 150 تا 2300 چرخه متفاوت بود. در نتیجه، یک خطای آزمون 9.1% برای پیشبینی کمی عمر چرخه تنها با استفاده از 100 چرخه اول در بهترین مدلها به دست آمد. خطای آزمون 4.9٪ با استفاده از داده های 5 چرخه اول در تنظیم طبقه بندی مدل های پیش بینی به دست آمد. علاوه بر این، برای کاهش تعداد و مدت زمان آزمایشها، یک سیستم CLO برای تسریع بهینهسازی بسیار سریع توسعه داده شد.که در شکل 7 نشان داده شده است. یک مدل پیشبینی اولیه در سیستم CLO برای پیشبینی عمر چرخه نهایی با استفاده از دادههای 100 چرخه اول استفاده شد که میتواند به طور موثری کاهش زمان آزمایش شود که با استفاده از این روش ، پروتکل های شارژ با عمر چرخه بالا در میان 224 نامزد در 16 روز به سرعت شناسایی شد که بیش از 500 روز برای انجام یک جستجوی جامع بدون پیش بینی اولیه نیاز داشت. دقت و کارایی رویکرد بهینهسازی ما از طریق دادههای تجربی تأیید شد. این روش میتواند به سایر فضاهای طراحی با شارژ سریع و همچنین اهداف دیگری نیز گسترش یابد و تأثیر گسترده ای بر توسعه و تولید دستگاه های ذخیره انرژی خواهد داشت.
به طور خلاصه، با استفاده از روشهای مناسب یادگیری ماشین به ویژه با استفاده از روشهای غیر خطی، میتوان به پیشبینی خوبی از عملکرد باتری دست یافت. با این حال، آن مدلهای غیرخطی، مانند ANN و Bayesian، که معمولاً در آن از اهمیت فیزیکی جلوگیری می شود. بنابراین، توسعه الگوریتمهای قابل تفسیر فراتر از این مدلها، روشی مؤثر برای کشف قوانین علمی در باتری های لیتیمی است. اما قبل از هر جیزی باید به این سوالات پاسخ داده شود. الگوریتم یادگیری ماشین برای کار مناسب است؟ کدام الگوریتم یادگیری ماشین برای پردازش کار بهتر است؟ ما پاسخ ها را نمی دانیم بنابراین، طراحی خودکار مدل یادگیری ماشین یا اصلاح الگوریتم آن برای یک کار خاص، به اتخاذ مدل جهت کمک به برنامه های بیشتر در آینده می کند.
چالش ها و چشم اندازها
فناوری های یادگیری ماشین در حال حاضر به طور گسترده در باتری های لیتیمی استفاده می شوند. بهویژه، همراه با محاسبات یا آزمایشها، فناوریهای یادگیری ماشین میتوانند بهطور مؤثری در زمان و هزینه صرفهجویی کنند و بهطور قابلتوجهی کشف مواد جدید را تسریع کنند. این یک انگیزه بزرگ برای توسعه باتری های لیتیمی و یک مسیر سریع برای تحقیق در مورد فناوری ذخیره انرژی است. با این حال، بسیاری از مشکلات جدید و چالشها با تقاضای فزاینده برای فناوریهای یادگیری ماشین پدیدار میشوند.برخی از چالش ها و مشکلات در ادامه موطرح میشوند:
1- یادگیری ماشین یک علم مبتنی بر داده است که کیفیت آن به طور غیرعادی به اندازه پایگاه داده بستگی دارد. برای بهبود دقت پیشبینی، به پایگاه داده با دسترسی بازتر برای غربالگری با توان عملیاتی بالا نیاز فوری است. علاوه بر این، اطلاعات موجود در پایگاه داده فعلی تکه تکه شده و به اندازه کافی جامع نیست. بنابراین، خواص مواد بسیار بیشتری باید در پایگاه داده موجود باشد، مانند الکترونگاتیوی، HOMO، LUMO، انرژی یونیزاسیون اول، انرژی هماهنگی، انرژی پیوند شیمیایی و همبستگی های ضمنی و….
داده های مختلف باید توسط یادگیری ماشین یافت شود تا یک ساختار دانش شبکه ای تشکیل شود. علاوه بر این، تعداد کمی “داده های شکست خورده” در پایگاه های داده فعلی گنجانده شده است که معمولاً آزمایش های زیادی را ایجاد می کنند اما از ادبیات منتشر شده به دست نمی آیند. جمع آوری آن “داده های ناموفق” در مجموعه داده می تواند به طور موثر دقت روش های یادگیری ماشین را بهبود بخشد.
2- کیفیت داده ها می تواند به طور قابل توجهی بر دقت یادگیری ماشین تأثیر بگذارد. دادههای پایگاههای داده با دسترسی آزاد از نشریات مختلف جمعآوری شدهاند و ممکن است سوگیریهایی در آن وجود داشته باشد. ترکیب این داده ها با روش های یادگیری ماشین همچنین می تواند دقت نتایج پیش بینی را کاهش دهد. چگونگی بهبود کیفیت پایگاههای اطلاعاتی مشکل مهمی در ارتقاء آن است
3- انتخاب ویژگی ها راه مهم دیگری برای موفقیت مدل های یادگیری ماشین است. در حال حاضر، بیشتر انتخاب ویژگی ها توسط تجربه محققین تعیین می شود که ممکن است برخی از ویژگی های مفید را حذف کند. برای رفع این مشکل، باید از مهندسی ویژگی خودکار برای آموزش مدلهای یادگیری ماشین استفاده شود و خطاهای مصنوعی را کاهش داد.
4- پیشبینی روشهای یادگیری ماشین گاهی با دانش تخصصی در تضاد است. برای کاهش این مشکل، میتوانیم دانش حرفهای بیشتری را در انتخاب ویژگی یا محاسبات ادغام کنیم. اخیرا، گروهی از محققین یک روش انتخاب ویژگی چند لایه مبتنی بر داده را پیشنهاد کرده است که دانش تخصصی حوزه را در بر می گیرد. این روش میتواند ویژگیهای هدف را با مجموعهای از ویژگیهای کوچکتر و قابل تفسیرتر نشان دهد، در حالی که دقت پیشبینی برابر یا بهتر را تضمین میکند، که برای بهینهسازی ویژگی ها اهمیت زیادی دارد.
5- تفسیرپذیری مدلهای یادگیری ماشین نیز یک چالش کلیدی است. به دلیل رفتار پیچیده الکتروشیمیایی باتری های لیتیمی، الگوریتم های خطی به طور کلی نمی توانند برای ایجاد رابطه بین ریزساختار و خواص مواد استفاده شوند. مدلهای غیرخطی، مانند ANN و SVR، میتوانند روابط غیرخطی پیچیدهای بین عوامل و اهداف مختلف ایجاد کنند که به طور گسترده در باتری های لیتیمی استفاده میشود. با این حال، آن مدلهای غیرخطی معمولاً «جعبههای سیاه» هستند که در آنها از اهمیت فیزیکی جلوگیری میشود. بنابراین، توسعه الگوریتمهای قابل تفسیر فراتر از این مدلها، روشی مؤثر برای بررسی قوانین علمی در باتری های لیتیومی است.
6- با توسعه باتری های لیتیمی، عملکرد بیشتر مواد باتری های لیتیمی مورد توجه و مورد نیاز است، مانند خاصیت مکانیکی و خاصیت خود ترمیم شوندگی الکترولیت های جامد، انبساط حجمی الکترود سیلیکونی، جداسازی الکترود گرافیتی در شرایط شارژ سریع، و انحلال الکترود منفی آلی. اعتقاد بر این است که یادگیری ماشین می تواند نقش مهمی در این تحقیق داشته باشد.
نتیجه گیری
در حال حاضر، چرخه طولانی تحقیق و توسعه مهمترین چالش برای توسعه مواد جدید است. حدود 20 تا 30 سال طول می کشد تا یک ماده جدید از زمان کشف تا کاربرد عملی توسعه یابد. برای محصولات با الزامات بالا ، مانند تجهیزات هوانوردی، زمان توسعه طولانی تر خواهد بود. چهار دلیل برای وقت گیر بودن و توسعه پر زحمت مواد جدید:
(1) موضوع تحقیق پیچیده است.
(2) تحقیقات بر تجربه انباشته شخصی تکیه می کنند.
(3) روش تحقیق تکراری و مبتنی بر آزمون و خطا است.
(4) پس از تکمیل توسعه مواد جدید، تعیین فرآیند تولید و پارامترهای عملیاتی زمان زیادی می برد.
استفاده از هوش مصنوعی در تحقیق و توسعه مواد راه حل جدیدی برای حل مشکل تحقیقات طولانی و چرخه مواد فعلی است. تحقیقات مواد، نمونهسازی اولیه، آزمایش، اعتبارسنجی و ارزیابی چرخه که قبلاً زمان زیادی را در آزمایشگاهها میبردند، اکنون میتوانند در یک آزمایشگاه مجازی انجام شوند. بنابراین، می تواند سرعت توسعه مواد را افزایش دهد. با این حال، استفاده از هوش مصنوعی در تحقیقات مواد هنوز دارای کاستی های خاصی است. اولین مشکل هنگام استفاده از هوش مصنوعی برای کشف مواد، ایجاد یک پایگاه داده است. پایگاه داده ایجاد شده توسط محققان باید شامل طیف گسترده ای از داده های مواد مانند الکترونگاتیوی، انرژی یونیزاسیون اول، مواد شیمیایی، انرژی پیوند، پارامترهای سلول واحد، و غیره باشد. همچنین باید باعث شود دادههای مختلف همبستگیهای ضمنی داشته باشند تا ساختار دانش شبکهای شکل بگیرد. از یک سو، اطلاعات پایگاه داده فعلی تکه تکه شده و به اندازه کافی جامع نیست. بنابراین ادغام الگوریتم های هوش مصنوعی و یافتن الگوریتم های جدید راهکار استفاده از این تکنولوژی در باتری های لیتیمی برای کشف مواد جدید خواهد بود.
1 دیدگاه
.