Egy új típusú akkumulátor az elektromos járművek (EV-k) számára, amely hosszabb élettartammal, nagyobb kapacitással tömegarányban és gyorsabb töltési lehetőséggel rendelkezik, forradalmasíthatja az EV-ipart. Azonban a millió különböző tulajdonsággal és hibamechanizmussal rendelkező anyagokból álló területen, valamint a több anyag kombinációjának lehetőségével a tervezési tér hatalmas. A kutatók mesterséges intelligenciát használnak az új anyagok azonosítására, az anyagtulajdonságok megértésére és az új akkumulátorok fejlesztésére.
Anyagok adatbázisa
A kaliforniai San Diego-i Egyetem csapata egy M3GNet nevű mesterséges intelligenciát használt szintetizált anyagok tulajdonságainak előrejelzésére, és az információkat egy matterverse.ai adatbázisba helyezte. A csapat az adatbázist használja keresésre, hogy biztonságosabb és nagyobb energiatartalmú elektróda- és elektrolitanyagokat találjon újratölthető lítiumion (Li-ion) akkumulátorokhoz.
Az M3GNet a molekulák szerkezetére alapozva jósol anyagtulajdonságokat, hasonlóan a Google DeepMind fehérjehajtogatási algoritmusához. Az M3GNet egy hatalmas adatbázison képződött, az ún. Materials Projecten lévő anyagok energiáit, erőit és feszültségeit használva. Az adatokat arra használják, hogy előrejelezzék az energiákat és erőket az atomok új kombinációiban.
A csapat a kezdeti pontként az inorganikus kristályszerkezet-adatbázist (ICSD) is használta, amely több ezer prototípus anyagot tartalmaz. Különböző elemekre atomokat helyettesítettek, hogy 31 millió potenciálisan új anyagot hozzanak létre, amelyek közül körülbelül 1,8 milliót gondolnak annyira stabilnak, hogy valóságban létrehozhatóak legyenek.
(Vázlatok a San Diego-i Egyetem csapatától)
Az M3GNet elődje vagy keskeny kémiai alkalmazkodásokra korlátozott, vagy túl pontatlan volt általános használatra - írták a kutatók a tanulmányukban.
Az M3GNetet a lítiumvezetőképesség előrejelzésére is használják - azaz arra, hogy milyen gyorsan diffundálnak a Li-ionok egy anyagon keresztül. Ez a tulajdonság befolyásolja, hogy milyen gyorsan tudnak az akkumulátorok tölteni.
Hibamechanizmusok
A Stanford Egyetemen végzett különálló kutatás mesterséges intelligenciát használ az atomi szintű mikroszkópos képek elemzésére, hogy megértsék, hogyan kopnak el idővel a lítiumion akkumulátorok elektródái. Ha pontosan meg tudjuk határozni, hogyan működnek ezek a mechanizmusok, az ismereteket felhasználhatjuk hosszabb élettartamú akkumulátorok építéséhez.
Egy töltési ciklus során az elektródák hőmérsékletváltozásokkal tágulnak és összehúzódnak. Ez az anyagot nyomás alá helyezi, repedéseket okozva. Az AI segít a mechanizmus vizualizálásában, a legújabb nagy felbontású röntgen-, elektron- és neutronmikroszkópos képek értelmezésével.
A kutatók tanulmányozták ezt a mechanizmust a lítiumvasfoszfát (LFP) EV akkumulátorokban. Az LFP akkumulátorok enyhén alacsonyabb energiasűrűséggel rendelkeznek más típusokhoz képest, de népszerűek, mivel elkerülik a kobalt és nikkel ellátási láncával kapcsolatos problémákat más akkumulátoroknál.
Az AI-t használták az LFP elektrolit vezetőképességének előrejelzésére is - azaz arra, hogy milyen gyorsan terjednek a Li-ionok egy anyagon keresztül. Ez a tulajdonság befolyásolja, hogy milyen gyorsan tudnak az akkumulátorok tölteni.
Anyagkombinációk
A kereskedelmi EV akkumulátorok több különböző anyagot használnak, amelyek vegyszerek keverékéből állnak egy szabadalmaztatott elektrolit recept szerint - általában egy sót oldott folyékony oldószerben, de több más titkos összetevővel. Ez gyakran azt jelenti, hogy legalább három vagy négy különböző komponens van jelen.
Az összetevők különböző koncentrációkban való kombinációja megváltoztathatja az elektrolit teljesítményét, ezért lényeges, hogy az egyensúlyt helyesen beállítsák. Az receptnek több dimenzióban kell optimalizálódnia, mivel a legjobb lehetőség a töltési időre nem feltétlenül ugyanaz, mint például a legjobb lehetőség az élettartamra.
Egy tanulmány a Carnegie Mellon Egyetemen kombinálta a robottechnológiát az AI-vel annak érdekében, hogy megtalálják a legjobb anyagkombinációt az EV akkumulátor töltési sebességéhez. A kísérlet során először alkalmazták a zárt hurok módszert, emberi beavatkozás nélkül, vízbázisú Li-ion elektrolit oldatokban.
A robot különböző koncentrációkban fecskendezte az oldószereket és adalékanyagokat a teszt akkumulátorokba, az AI kísérlettervező pedig eldöntötte, mely kombinációkat tesztelje. Az AI egy tervezési térben működött, ahol több mint 1000 lehetséges három különböző összetevőből álló kombináció volt. Az öt véletlenszerű kombinációval indultak, majd onnan optimalizálták a folyamatot. Két nap után 42 kísérletet végeztek el és hat ígéretes elektrolitreceptet azonosítottak. A legjobb eredmény 13%-kal jobb volt a kiindulási értékhez képest a töltési idő terén.
A kutatók szerint a robottechnológia és az AI kombinációja hatékonyabban működött, mint egy emberi személy, 6-szor gyorsabb volt és csak a vegyi anyagok harmadát használta. A jövőbeli verziók nemcsak a töltési időt, hanem más változókat is optimalizálni fogják.