Enligt Bloomberg New Energy Finances Electric Vehicle Outlook 2018 år 2030 förväntas den totala försäljningen av elfordon (EV) över hela världen överstiga 30 miljoner, och kostnadsparametrarna kommer äntligen att komma i linje med förbränningsmotorn. EV representerar ett seismiskt skifte inom bilindustrin, och dess potentiella inverkan på företag och miljö är övertygande. Idag är debatterna om adoption och livslängd för elbilar utbredd och ingen mer än elbilsbatteriernas potentiella prestanda. För forskarna återstår fortfarande många utmaningar – inklusive batterisäkerhet, energitäthet, laddningskapacitet och deras prestanda i en bil.
I den här funktionen undersöker Dr Doron Myersdorf, VD för StoreDot, hur AI bara kan ha nyckeln till att lösa dessa problem, och potentialen för detta tillvägagångssätt för framtiden för energilagring och elbilar.
Insatserna för den globala batterimarknaden är otroligt höga. Enligt generaldirektören för DG Connect vid EU-kommissionen Roberto Viola beräknas det vara värt över 250 miljarder pund per år från 2025, med möjlig skapandet av 4 miljoner jobb bara i EU. Dessa batterier, som redan är viktiga för de flesta konsumentvaror, kommer att vara ännu viktigare för elbilar, med utbredd användning som beror på prestanda.
"För närvarande kan ingen bil- eller batteritillverkare göra anspråk på att erbjuda ett elbilsbatteri som laddas så snabbt som det krävs för att fylla tanken på ett traditionellt fossilbränslebaserat fordon, och den kan inte heller erbjuda samma räckvidd. Till exempel erbjuder Volkswagen e-Up 99 miles vid full laddning, och Tesla Model S 100D har en räckvidd på 335 miles vid full laddning. Inget av dessa fordon kan dock laddas helt på några minuter. Idag tar det 75 minuter för en Tesla-laddstation att nå full laddning, medan SP Group, det största elbilsnätet i Singapore, bara tar en halvtimme.
"Potentialen för litiumjonbatterier att lösa vissa av dessa problem är enorm. Det finns dock ett antal utmaningar med litiumjonbatterier som förhindrar en snabb laddning – från behovet av högre energitäthet, till utmärkt prestanda och förbättrade säkerhetskrav. Att övervinna problem inom batterikemi är en långsam forskningsprocess, till stor del baserad på iterativ design av experiment och systematiskt försök och fel. Faktum är att många nya framsteg misslyckas innan de når marknaden.
"I FoU-anläggningar som vår samlar cyklister information från battericeller varje sekund; denna information inkluderar viktiga prestandaparametrar som celltemperatur, realtidsresistans, driftspänningsfönster, laddnings- och urladdningsström och svällnivåer. Informationen samlas in samtidigt från tusentals batterier med terabyte data som samlas in per experiment. Som ett resultat är antalet kombinationer för dessa material oändligt, och antalet experiment som krävs för att testa varje kombination är lika så. Det är extremt svårt att lösa med traditionella statistiska eller manuella metoder.
"Men ett holistiskt tillvägagångssätt för att använda datavetenskap i batteriutveckling kan vara nyckeln till att lösa sådana komplexa modeller. Artificiell intelligens (AI) är ett modeord idag. Enkelt uttryckt kan AI, eller maskininlärning, bedöma information och konstruera en matematisk modell i en mycket snabbare takt än den mänskliga hjärnan. AI innebär att system automatiskt kan lära sig och förbättras av erfarenhet, utan att vara explicit programmerade.
"AI:s nuvarande och potentiella inverkan i flera branscher är häpnadsväckande. Inom tillverkning använder några av världens största företag redan AI med imponerande resultat. Till exempel använder Royal Dutch Shells Smart Manufacturing System AI för att förutsäga efterfrågan på olja, mäta brist på utbud och analysera rätt blandning/blandningar för en exakt raffineringsprocess. BASF och SAP har hävdat att de har automatiserat 94 procent av sin betalningshantering med AI. Tillämpningspotentialen för AI är bred –
från materialdesign och syntes, till experimentdesign, felanalys och minimering av avfall. Med AI är smartare vetenskap med meningsfulla genombrott möjlig.
"Inverkan av detta på batteriutvecklingen är inte att underskatta. Tekniken kan bläddra igenom miljontals poster för att beskriva förhållandet mellan uppmätta data och batteriparametrar. Som tillverkare kan vi sedan använda detta för att testa miljontals kombinationer av elektrolyter, anoder och katoder vid varje given tidpunkt.
"Forskare kan inte bara utvärdera batterier under utveckling, utan de kan också lära sig av redan existerande batterier för att uppnå en bättre förståelse av deras prestandabeteendeprofil och rekommendera den optimala lösningen. Möjligheten att snabbt testa gränslösa kombinationer gör att den ultimata formuleringen av materialen som används för att tillverka battericellen nås mycket, mycket snabbare. Detta minskar dramatiskt antalet nödvändiga experiment, vilket minskar utvecklingstiden dramatiskt, samt minskar utvecklingskostnaderna avsevärt. Till exempel kan ett team på 50 forskare som arbetar med en viss batteriformulering spara upp till 1 miljon USD i FoU-insatser per månad genom att implementera maskininlärningsfunktioner.”
"På StoreDot gav ett första försök till denna teknik anmärkningsvärda resultat. Till exempel, för den första generationen av vår ultrasnabba laddningsteknik FlashBattery, med maskininlärning, upptäckte vårt team att några enkla förändringar i formationen kunde fördubbla antalet cykler av batteriet under utveckling från 300 till över 600 cykler. Det var denna upptäckt som inspirerade StoreDot att utveckla och dedikera en hel FoU-grupp bara för att bygga upp vår förmåga inom maskininlärning. Detta dramatiska resultat tillämpas nu på nästa generation av vårt batteri för elbilar. Ultrasnabb laddning utgör en mycket komplex fråga – där vi i en traditionell batterimetod vanligtvis bara skulle byta en komponent, men här kan vi behöva ändra mycket mer för att nå det önskade genombrottet. Genom att kombinera innovativ datavetenskap, driven av AI, med expertis inom elektrokemi, cellstruktur, anoder, katoder och elektrolyter, kan mycket mer komplexa slutsatser nås.
"Det är klart att fördelen med maskininlärning under FoU-processen har visat sig ovärderlig. Detta är dock inte det enda sättet på vilket AI kan implementeras för att avancera elbilar. En mycket annorlunda och spännande tillämpning av maskininlärning skulle vara att implementera den inom EV-operativmjukvaran, att kontinuerligt övervaka batteriets prestanda och hälsa, mäta realtidsdata, lära av dem och cirkulera tillbaka för att förbättra produktens prestanda. Dessutom, genom att skapa smartare batterier med inbyggda avkänningsfunktioner och med självläkande funktioner, kan batterihanteringssystemet vara medvetet om deras "hälsotillstånd" och kan till och med föryngra battericeller eller -moduler vid behov.
"I slutändan, genom att göra det möjligt för innovatörer att ändra mer än en komponent åt gången och analysera bevis snabbare, kan de nå slutsatser som traditionell statistisk analys inte kan åstadkomma. Dessa bevis möjliggör snabbare utvecklingscykler och förmågan att övervinna problem som annars kanske inte skulle kunna lösas. För införandet av elbilar är denna förmåga avgörande för att lösa en av de största konsumentbarriärerna, "räckviddsångest". Genom att sänka batteriladdningstiderna genom att använda maskininlärningsteknik, bokstavligen, skulle hela elbilsindustrin kunna ses över.”
