مدل جدید یادگیری ماشینی باعث شناسایی گرمای بیش‌ازحد باتری‌های لیتیمی-یونی، جلوگیری از آتش‌سوزی
یکی از نگرانی‌های مهم ایمنی وسایل نقلیه الکتریکی، خنک نگه‌داشتن باتری‌های آن‌هاست، زیرا افزایش دما می‌تواند به پیامدهای خطرناکی منجر شود.
تحقیقات جدید به سرپرستی یک دانشجوی دکترای دانشگاه آریزونا راهی برای پیش‌بینی و جلوگیری از افزایش دما در باتری‌های لیتیمی-یونی که معمولاً برای تأمین نیروی چنین وسایلی استفاده می‌شوند، پیشنهاد می‌کند.
این مقاله با عنوان «تقویت ایمنی باتری»، که توسط دانشجوی دکترای دانشکده مهندسی باساب گوسوامی سرپرستی شده است، در مجله Journal of Power Sources منتشر شده است.
یادگیری ماشینی
با حمایت ۵۹۹٬۸۰۸ دلار از برنامه دفاعی برای تحریک تحقیقات رقابتی وزارت دفاع، گوسوامی و استاد مشاور او، استاد مهندسی هوافضا و مکانیک و محقق اصلی پروژه ویتالی یورکیف، چارچوبی توسعه دادند که از مدل‌های فیزیک چندگانه و یادگیری ماشینی برای حس، پیش‌بینی و شناسایی گرمای بیش‌ازحد باتری لیتیمی-یونی، که به عنوان گریز گرمایی شناخته می‌شود، استفاده می‌کند.
گوسوامی گفت که در آینده، این چارچوب می‌تواند به سیستم مدیریت باتری یک وسیله نقلیه الکتریکی متصل شود تا از گرمای بیش‌ازحد باتری جلوگیری شود و به این ترتیب از رانندگان و مسافران محافظت کند.
گوسوامی گفت «ما نیاز داریم به انرژی پاک حرکت کنیم، اما نگرانی‌های ایمنی مرتبط با باتری‌های لیتیمی-یونی وجود دارد.»
گریز گرمایی می‌تواند بسیار خطرناک و دشوار برای پیش‌بینی باشد.
گوسوامی گفت «دمای یک باتری به‌طور نمایی افزایش می‌یابد و می‌تواند آتش‌سوزی ایجاد کند.»
اثر دومینو
بسته باتری یک وسیله نقلیه الکتریکی از سلول‌های باتری که به‌هم نزدیک هستند تشکیل شده است. وسایل نقلیه الکتریکی امروزی می‌توانند بیش از ۱۰۰۰ سلول در هر بسته باتری داشته باشند.
اگر گریز گرمایی در یک سلول رخ دهد، سلول‌های مجاور نیز به احتمال زیاد گرم می‌شوند و یک اثر دومینو ایجاد می‌کنند. اگر این اتفاق بیفتد، کل بسته باتری وسیله نقلیه الکتریکی می‌تواند منفجر شود، به گفته گوسوامی.
برای جلوگیری از این، محققان پیشنهاد استفاده از حسگرهای حرارتی - پیچیده شده به دور سلول‌های باتری - که داده‌های دمای تاریخی را به یک الگوریتم یادگیری ماشینی تغذیه می‌کنند تا دماهای آینده را پیش‌بینی کنند.
الگوریتم پیش‌بینی می‌کند که یک رخداد گریز حرارتی کجا و کی احتمالاً شروع خواهد شد.
گوسوامی گفت «اگر محل نقطه داغ (شروع گریز گرمایی) را بدانیم، می‌توانیم راهکارهایی برای متوقف کردن باتری قبل از رسیدن به آن مرحله بحرانی داشته باشیم.»
یورکیف از دقت الگوریتم گوسوامی تحت تاثیر قرار رفت. پیش از تحقیق او، مدل‌های یادگیری ماشینی برای پیش‌بینی گریز گرمایی استفاده نشده بودند.
یورکیف گفت «ما انتظار نداشتیم که یادگیری ماشینی این‌قدر برتر برای پیش‌بینی دمای ترموکپل و محل نقاط داغ به‌صورت دقیق باشد».
«هیچ انسانی قادر به انجام این کار نخواهد بود.»
تحقیقات بر اساس مقاله‌ای که گوسوامی و یورکیف در ژانویه منتشر کردند که استفاده از تصویربرداری حرارتی برای پیش‌بینی گریز حرارتی را مورد بررسی قرار می‌داد، ساخته شده است که نیاز به تجهیزات تصویربرداری سنگین داشت که به‌طور مداوم عکس‌ها برای بررسی می‌گرفتند.
راه‌حلی که گوسوامی و یورکیف در مقاله جدید خود شناسایی کردند، سبک‌تر و مقرون به صرفه‌تر است.
تحقیقات گوسوامی در نقطه مهمی در تاریخ تولید خودروهای آمریکایی منتشر شد. در ژوئیه، همان ماهی که مقاله منتشر شد، دولت بایدن اعلام کرد که ۱.۷ میلیارد دلار در تولید وسایل نقلیه الکتریکی در هشت ایالت سرمایه‌گذاری می‌کند.
در سال ۲۰۲۳، فروش جهانی وسایل نقلیه الکتریکی ۳۵ درصد نسبت به سال ۲۰۲۲ افزایش یافت. گوسوامی گفت که با افزایش تقاضا، تدابیر ایمنی برای حرکت وسایل نقلیه الکتریکی ضروری است.
او گفت «بسیاری از مردم هنوز مایل نیستند باتری‌ها را به دلیل نگرانی‌های مختلف ایمنی بپذیرند. برای به دست آوردن پذیرش گسترده، مهم است که عموم بدانند که تحقیقات در حال انجام به طور فعال این مسائل ایمنی مهم را موردبررسی قرار می‌دهند.»
