دانشمند نوجوان آمریکایی روشی نوین برای پیشبینی سلامت باتریهای خودروهای برقی ابداع کرد
به گزارش ایتنا و به نقل از Interesting Engineering، یک دانشآموز ۱۸ ساله در آمریکا مدلی توسعه داده است که میتواند به حل یکی از بزرگترین چالشهای بلندمدت خودروهای برقی کمک کند: تشخیص سلامت واقعی باتریهای کهنه.
کالین جیچو، دانشآموز مدرسه نوئوا، چارچوبی برای تخمین وضعیت سلامت باتریهای لیتیوم‑یونی با خطای پیشبینی تنها ۲٫۳۶ درصد ارائه کرده است.
این پروژه، چو را به عنوان فینالیست مسابقه علمی ریجنرون در سال ۱۴۰۵ خورشیدی معرفی کرد که یکی از برجستهترین مسابقات علمی و ریاضی آمریکاست.
گفتنی است باتریهای خودروهای برقی به تدریج با شارژ، دشارژ و قرار گرفتن در معرض دماهای متغیر تخریب میشوند، اما تعیین میزان عمر مفید باقیمانده در باتری کار سادهای نیست.
سامانهٔ مدیریت باتری نمیتواند به سادگی به درون سلول نگاه کند و تخریب را مستقیماً اندازهگیری کند، بنابراین مهندسان باید وضعیت آن را از رفتار الکتریکی استنباط کنند.
بر اساس اعلام مؤسسه علوم، چو دادههای ۲۲ باتری را که به طور عمدی با سیگنالهای الکتریکی طراحیشده برای شبیهسازی رفتار رانندگی متغیر پیر شده بودند، تحلیل کرد و سپس مدلی را توسعه داد که مدلسازی مدار معادل را با یادگیری ماشین ترکیب میکند.
رویکرد چو به طور کامل به هوش مصنوعی متکی نبود، بلکه یادگیری ماشین را با یک مدل مدار معادل ترکیب کرد که رفتار الکتریکی پیچیده باتری را با استفاده از مؤلفههای ریاضی قابل تحلیلتر بازنمایی میکند.
چو این پژوهش را از طریق برنامه پژوهشگران جوان دانشگاه استنفورد و در آزمایشگاه کنترل انرژی استنفورد انجام داد و نتایج آن بعداً در کنفرانس مدلسازی، تخمین و کنترل در شیکاگو ارائه و در مجله انجمن الکتروشیمی منتشر شد.
کالین جیچو، دانشآموز مدرسه نوئوا، چارچوبی برای تخمین وضعیت سلامت باتریهای لیتیوم‑یونی با خطای پیشبینی تنها ۲٫۳۶ درصد ارائه کرده است.
این پروژه، چو را به عنوان فینالیست مسابقه علمی ریجنرون در سال ۱۴۰۵ خورشیدی معرفی کرد که یکی از برجستهترین مسابقات علمی و ریاضی آمریکاست.
گفتنی است باتریهای خودروهای برقی به تدریج با شارژ، دشارژ و قرار گرفتن در معرض دماهای متغیر تخریب میشوند، اما تعیین میزان عمر مفید باقیمانده در باتری کار سادهای نیست.
سامانهٔ مدیریت باتری نمیتواند به سادگی به درون سلول نگاه کند و تخریب را مستقیماً اندازهگیری کند، بنابراین مهندسان باید وضعیت آن را از رفتار الکتریکی استنباط کنند.
بر اساس اعلام مؤسسه علوم، چو دادههای ۲۲ باتری را که به طور عمدی با سیگنالهای الکتریکی طراحیشده برای شبیهسازی رفتار رانندگی متغیر پیر شده بودند، تحلیل کرد و سپس مدلی را توسعه داد که مدلسازی مدار معادل را با یادگیری ماشین ترکیب میکند.
رویکرد چو به طور کامل به هوش مصنوعی متکی نبود، بلکه یادگیری ماشین را با یک مدل مدار معادل ترکیب کرد که رفتار الکتریکی پیچیده باتری را با استفاده از مؤلفههای ریاضی قابل تحلیلتر بازنمایی میکند.
چو این پژوهش را از طریق برنامه پژوهشگران جوان دانشگاه استنفورد و در آزمایشگاه کنترل انرژی استنفورد انجام داد و نتایج آن بعداً در کنفرانس مدلسازی، تخمین و کنترل در شیکاگو ارائه و در مجله انجمن الکتروشیمی منتشر شد.
تخمین دقیقتر وضعیت سلامت باتری میتواند ایمنی خودروهای برقی، برنامهریزی تعمیر و نگهداری و طول عمر باتری را بهبود بخشد.
