۱۷ نوامبر ۲۰۲۵، جورجینا جدیکوفسکا-یکی از چندین مدل شبیه‌سازی طراحی شده توسط محققان. دانشگاه PEM RWTH آخن (تولید شده توسط هوش مصنوعی)
دانشمندان در آلمان با ادغام مهندسی پیشرفته با روش‌های اعتبارسنجی مبتنی بر هوش مصنوعی، توسعه سیستم‌های باتری EV ساختاری را تسریع کرده‌اند.
تیم محققان از کرسی مهندسی تولید اجزای تحرک الکتریکی (PEM) در دانشگاه RWTH آخن، پس از سه سال و نیم آزمایش فشرده، پروژه تحقیقاتی PEAk-Bat را با موفقیت به پایان رساندند.
این طرح که توسط وزارت امور اقتصادی و انرژی فدرال آلمان (BWME) تأمین مالی شده بود، با هدف سرعت بخشیدن به توسعه باتری خودروهای برقی، اصلاح طرح‌های ساختاری و نزدیک‌تر کردن آنها به بازار انجام شد.همچنین نشان داد که چگونه هوش مصنوعی، شبیه‌سازی دیجیتال و یکپارچه‌سازی باتری با خودرو که به صورت مجدد طراحی شده است، می‌تواند چرخه‌های توسعه را به طور قابل توجهی کوتاه کند، هزینه‌ها را کاهش دهد و چگالی انرژی را بهبود بخشد.
دکتر هاینر هایمز، استاد مهندسی مکانیک دانشگاه و عضو مدیریت PEM، گفت: «زمان صرفه‌جویی شده در آزمایش، امکان توسعه سریع‌تر سیستم‌های باتری نوآورانه و در نتیجه، عرضه زودتر به بازار را فراهم می‌کند.»
محققان PEM به جای اینکه باتری را به عنوان یک بخش جداگانه در قاب خودرو در نظر بگیرند، رویکرد جدیدی را دنبال کردند. آنها از طراحی ماژول به شاسی استفاده کردند که در آن باتری در ساختار خودرو ادغام می‌شود.
نتایج نشان داد که این نوآوری، چگالی انرژی حجمی را بیش از 10 درصد و چگالی انرژی وزنی را بیش از 15 درصد افزایش داده است.
برای بررسی این مفهوم، متخصصان دانشگاه RWTH آخن به همراه شرکای خود، از جمله تولیدکننده خودرو فورد، شرکت لیزر Trumpf، ارائه دهنده گواهینامه ایمنی TÜV Rheinland و تأمین کننده خودرو Magna، 10 بدنه خودرو با سیستم‌های باتری ساختاری یکپارچه ساختند.
سپس این نمونه‌های اولیه توسط TÜV Rheinland و Magna به طور دقیق ارزیابی شدند. آزمایش فیزیکی با مدل‌سازی شبیه‌سازی گسترده پشتیبانی شد که سپس از طریق آزمایش‌های دنیای واقعی اعتبارسنجی شد.
استفاده از مدل‌های شبیه‌سازی پیشرفته و هوش مصنوعی برای اعتبارسنجی اولیه از جمله دستاوردهای اصلی این پروژه بود. دانشمندان چندین مدل دیجیتال برای آزمایش ایمنی، یکپارچگی ساختاری و عملکرد حرارتی سیستم‌ها ایجاد کردند. سپس دقت آنها را از طریق آزمایش فیزیکی تأیید کردند.
این رویکرد مجازی-اول، تعداد آزمایش‌های مورد نیاز در دنیای واقعی را که معمولاً زمان‌بر و پرهزینه هستند، به طور قابل توجهی کاهش داد. این تیم معتقد است که استفاده از هوش مصنوعی برای اعتبارسنجی اولیه به شناسایی سریع‌تر مشکلات و ساده‌سازی کل فرآیند توسعه کمک می‌کند.
دکتر آخیم کامپکر، استاد مهندسی دانشگاه RWTH آخن و مدیر PEM، در یک بیانیه مطبوعاتی خاطرنشان کرد: «اعتبارسنجی اولیه سیستم‌های باتری با استفاده از هوش مصنوعی به کاهش خطاهای بحرانی در فرآیند تولید و کاهش هزینه‌های نمونه‌های اولیه کمک می‌کند.»
دکتر کریستین آفرمن، مهندس ارشد PEM، در بیانیه‌ای در سال ۲۰۲۲ فاش کرد: «این امر با صرفه‌جویی در زمان آزمایش امکان‌پذیر می‌شود که منجر به توسعه سریع‌تر سیستم‌های باتری جدید و در نتیجه ورود زودتر به بازار می‌شود.»
به عنوان بخشی از اهداف گسترده‌تر کنسرسیوم، محققان همچنین دستورالعمل‌های جدیدی را برای تجزیه و تحلیل بهتر تغییرات در سیستم‌های باتری و شناسایی آزمایش‌های ایمنی لازم تدوین کرده‌اند.
انتظار می‌رود این چارچوب که با عنوان «روش‌شناسی تجزیه و تحلیل تغییرات در سیستم‌های باتری و ارزیابی الزامات آزمایش حاصل» منتشر شده است، از پیشرفت‌های گسترده در ایمنی و اعتبارسنجی باتری در سطح صنعت پشتیبانی کند.
دانشمندان مطمئن هستند که دستاوردهای امیدوارکننده این پروژه در چگالی انرژی و همچنین پتانسیل آن برای تسریع ورود به بازار می‌تواند به خودروسازان کمک کند تا فناوری‌های EV نسل بعدی را زودتر به مصرف‌کنندگان ارائه دهند.
