23 آگوست 2025، عکس از نویسنده: پرابات رانجان میشرا -این رویکرد جدید، قدرت پیش‌بینی‌های سلامت و طول عمر باتری را تا 65٪ و 69٪ بهبود می‌بخشد. (تصویر نمایشی) -الکساندر/ویتایا
طول عمر باتری‌های خودروهای برقی همچنان یک عامل چالش‌برانگیز برای کاربران آنها است. پس از سال‌ها استفاده مداوم، طول عمر این باتری‌ها کاهش می‌یابد. اما یک آزمایش جدید، امید به طول عمر بیشتر باتری‌های خودروهای برقی را افزایش می‌دهد.
طبق گزارش‌ها، یک مدل هوش مصنوعی که در دانشگاه اوپسالا توسعه یافته است، می‌تواند ایمنی بیشتر و عمر طولانی‌تری را برای باتری‌های خودروهای برقی ارائه دهد. این مدل تصویر بسیار دقیق‌تری از پیری باتری ارائه می‌دهد.
پروفسور دنیل براندل، که رهبری این مطالعه را بر عهده دارد و مسئول مرکز باتری پیشرفته آنگستروم در دانشگاه اوپسالا است، گفت: «توانایی کسب اطلاعات بیشتر در مورد عمر و فرسودگی باتری‌ها به سیستم‌های کنترل آینده در خودروهای برقی کمک خواهد کرد. همچنین نشان می‌دهد که درک آنچه در داخل باتری‌ها اتفاق می‌افتد چقدر مهم است. اگر از نگاه کردن به آنها به عنوان جعبه‌های سیاه که صرفاً انتظار می‌رود برق را تأمین کنند، دست برداریم و در عوض تصویری دقیق از فرآیندها به دست آوریم، می‌توانیم آنها را طوری مدیریت کنیم که مدت بیشتری در شرایط خوب بمانند.»
باتری‌های خودروهای برقی خیلی زود فرسوده می‌شوند و این امر باعث کند شدن برقی شدن بخش حمل و نقل می‌شود.این امر امروزه اتلاف منابع زیادی است و مانع تحول بخش حمل و نقل می‌شود. برای رسیدگی به این موضوع، صنعت خودرو در حال توسعه نرم‌افزاری است که اغلب مبتنی بر هوش مصنوعی است تا مدیریت و کنترل باتری را بهینه کند. آخرین ابزار محققان کانادایی یکی از آنهاست.
محققان همچنین فاش کردند که این مطالعه که با همکاری دانشگاه آلبورگ در دانمارک انجام شده، حاصل چندین سال آزمایش باتری است. با جمع‌آوری داده‌ها از بخش‌های شارژ بسیار کوتاه متعدد، یک پایگاه داده ایجاد شد. سپس این پایگاه داده با یک مدل دقیق از تمام فرآیندهای شیمیایی مختلف که در داخل باتری اتفاق می‌افتد، ترکیب شد.
وندی گوئو، که این مطالعه را انجام داده است، می‌گوید: “در مجموع، این به ما تصویر بسیار دقیقی از واکنش‌های شیمیایی مختلف که منجر به تولید برق باتری می‌شوند، و همچنین از نحوه پیر شدن آن در طول استفاده، می‌دهد.”
محققان فاش کردند که کار آنها چارچوب یادگیری ماشینی (ML) ساخته شده بر اساس یک مدل دوقلوی دیجیتال را پیشنهاد می‌کند که پارامترهای کلیدی طراحی را به رفتارهای دنیای واقعی لیتیوم یون‌های گرافیت/نیکل-منگنز-کبالت-اکسید تحت طیف متنوعی از پروتکل‌های شارژ سریع، عمق تخلیه و پروفایل‌های تخلیه پویا که نشان‌دهنده کاربردهای آب و هوای شمال اروپا هستند، مرتبط می‌کند.
این تحقیق که در مجله علوم انرژی و محیط زیست منتشر شده است، بر چارچوب جدیدی تمرکز دارد که شش پارامتر کلیدی طراحی را مستقیماً از بخش‌های شارژ کوتاه استنباط می‌کند و پیش‌بینی سریع سلامت را در عرض چند ثانیه امکان‌پذیر می‌سازد. مدل، استحکام پیش‌بینی‌های سلامت و طول عمر را بهبود می‌بخشد
نکته قابل توجه این است که این رویکرد، استحکام پیش‌بینی‌های سلامت و طول عمر را به ترتیب تا 65٪ و 69٪ در مقایسه با مدل‌های پرسپترون چند لایه پایه و رگرسیون خطی بهبود می‌بخشد، در حالی که به گفته محققان، با زمان آموزش 1 ثانیه، از مدل جنگل تصادفی پایه نیز بهتر عمل می‌کند.
تیم تحقیقاتی همچنین خاطرنشان کرد که همبستگی فیزیکی قوی بین تغییرپذیری ظرفیت و سه پارامتر طراحی – ضریب انتشار حالت جامد، شعاع ذرات و ضخامت الکترود – در طول شارژ سریع، نقش حیاتی آنها را در تعیین مسیرهای تخریب برجسته می‌کند.
محققان این مطالعه گفتند: “این چارچوب را می‌توان به راحتی در گردش‌های کاری بالادستی و سیستم‌های مدیریت باتری ادغام کرد و کاربران نهایی را قادر می‌سازد الگوهای استفاده را تنظیم کنند و توسعه‌دهندگان را به سمت استراتژی‌های طراحی بهبود یافته هدایت کند.”
