Le réseau de neurones informé de physique stimule considérablement les diagnostics de batterie

Les systèmes d'énergie résilients dépendent de batteries fiables. Les batteries lithium-ion (Li-ion) alimentant notre monde doivent supporter la tension régulière du temps, les cycles de charge et les conditions environnementales qui les portent progressivement par dégradation.

Comprendre la santé d'une batterie peut aider les fabricants, les chercheurs et les consommateurs à optimiser ses performances à vie. Pourtant, le diagnostic de l'état de santé d'une batterie n'est pas facile, car chaque cellule est un système complexe de réactions chimiques et de changements physiques que les modèles d'évaluation standard ont du mal à capturer avec vitesse et précision.

Des chercheurs du Laboratoire national des énergies renouvelables (NREL) ont développé et démontré un modèle de réseau neuronal (PINN) informé de physique qui peut prédire la santé des batteries près de 1 000 fois plus rapidement que les modèles traditionnels.

« La durée de vie et la dynamique du vieillissement de la batterie Li-ion varie considérablement avec la chimie, les conditions de fonctionnement, les demandes de cyclisme, la conception des électrodes et l'historique opérationnel, ce qui rend difficile la manipulation, la conception et la maintenance optimales », a déclaré Kandler Smith, qui dirige la modélisation électrochimique et la recherche en sciences des données chez NREL. « Il est particulièrement difficile de comprendre les mécanismes de dégradation physique d'une batterie pendant l'utilisation sans l'ouvrir. Nous avons besoin de méthodes fiables pour vérifier l'état interne des batteries de manière non destructive. »

PINN de NREL remplace le modèle traditionnel de physique des batteries à forte intensité de ressources par une puissante approche d'intelligence artificielle qui imite les neurones interconnectés de notre cerveau pour analyser des ensembles de données non linéaires et complexes. Ce processus d'apprentissage en profondeur peut améliorer les diagnostics de la santé des batteries en quantifiant les mécanismes de dégradation physique et ouvrir la voie à des approches plus efficaces et évolutives pour gérer le vieillissement de la batterie.

Modèles et limitations traditionnels

Les chercheurs du NREL ont créé une vaste gamme de modèles de durée de vie de batterie pour diagnostiquer la santé des batteries, prédire la dégradation des batteries et optimiser les conceptions de batterie. Depuis des années, l'équipe est à la pointe des techniques d'apprentissage automatique basées sur la physique pour optimiser la modélisation prédictive de la recherche avancée de batterie.

Deux de ces modèles, le modèle à une seule particules (SPM) et le modèle Pseudo-2D (P2D), sont des approches largement utilisées et acceptées pour fournir une fenêtre sur la façon dont les paramètres de santé internes d'une batterie – tels que l'inventaire d'électrode et la cinétique, l'inventaire Li-ion et les chemins de transport Li – évoluent au fil du temps. Cependant, l'utilisation directe de ces modèles est un processus intensif qui nécessite des quantités massives de calculs et limite leur capacité à offrir des diagnostics rapides.

« Au lieu d'un modèle de physique, nous avons proposé un modèle de substitution PINN pour séparer les propriétés internes d'une batterie de sa tension de sortie », a déclaré Malik Hassanaly, chercheur en sciences informatiques du NREL, qui a collaboré en étroite collaboration avec l'équipe de recherche sur les batteries. « Cette approche réduit considérablement le temps de calcul et les ressources nécessaires, permettant aux chercheurs de diagnostiquer rapidement la dégradation de la batterie et de fournir des commentaires en temps réel sur la santé de la batterie. »

Le substitut de Pinn développé par le NREL combine le pouvoir prédictif de l'intelligence artificielle avec la rigueur de la modélisation basée sur la physique. L'étude en deux parties qui en résulte publiée dans le Journal of Energy Storage démontre comment les chercheurs ont formé et testé le substitut PINN à l'aide de modèles SPM et P2D conventionnels. Cette approche multiforme a permis aux chercheurs NREL de former le substitut de Pinn sur une large gamme de propriétés de batterie interne. Le modèle open source résultant offre des informations critiques sur les changements qui se produisent pendant le vieillissement de la batterie, aidant rapidement à estimer la durée d'une batterie dans un cadre différent.

Ce qui rend ce développement particulièrement révolutionnaire dans la recherche sur les batteries, c'est l'intégration des principes informés en physique dans les réseaux de neurones. Les réseaux de neurones traditionnels sont des modèles basés sur les données qui excellent à la reconnaissance des modèles mais manquent souvent de capacité à appliquer les lois physiques, qui sont cruciales pour simuler avec précision le comportement de la batterie.

Les Pinns, cependant, sont conçus pour comprendre et suivre ces lois physiques en les intégrant directement dans la procédure de formation du modèle, ce qui lui permet de prédire les paramètres de la batterie avec un niveau de rigueur scientifique auparavant réalisable uniquement par des modèles complexes et à forte intensité de temps. Avec le substitut de Pinn, les techniques généralement limitées par des exigences de ressources élevées peuvent désormais être appliquées à une large échelle, apportant des informations en temps réel à la santé des batteries à portée de main.

Applications et prochaines étapes

Le succès de la substitution de Pinn de NREL offre de vastes implications. Pour les diagnostics de batterie, le substitut PINN peut fournir des prédictions à l'état de santé rapides, ce qui permet une prise de décision plus rapide entre les applications de batterie. En abaissant considérablement les barrières de calcul aux diagnostics de batterie, le modèle de substitution PINN ouvre la voie à une gestion généralisée, évolutive et efficace du stockage d'énergie – selon vous, assurez-vous que l'énergie est disponible lorsque et où il est nécessaire.

« Cette approche débloque de nouvelles capacités de diagnostic de batterie, ouvrant la voie à des diagnostics intégrés des batteries utilisées », a déclaré Smith. « Cela signifie que les batteries du futur peuvent inclure des systèmes pour prolonger leur durée de vie utile en identifiant les signaux de dégradation et en adaptant les limites de charge rapide avec l'âge. »

Actuellement, les chercheurs s'efforcent de faire passer le substitut de Pinn des simulations contrôlées à la validation des données du travail réel, en utilisant des batteries cyclées au sein des laboratoires de NREL. En combler cet écart, les chercheurs espèrent déployer des diagnostics basés sur PIN sur une large gamme de systèmes de batterie, améliorant la surveillance des performances de la batterie et prolongeant la durée de vie.

Les recherches futures se concentreront sur le raffinement du modèle PINN pour gérer les problèmes hautement dimensionnels, ce qui lui permet de prédire un éventail plus large de paramètres de batterie interne avec une précision accrue. Cela signifie créer des modèles qui peuvent à la fois réagir efficacement à diverses charges de courant et évoluer efficacement aux futurs conceptions de batterie et aux modèles d'utilisation.