Mapinduzi katika Uendelezaji wa Betri: Mafunzo ya Mashine Yanaboresha Ubunifu wa Betri za Lithium-ion Haraka na kwa Gharama Nafuu

Kimataifa - Shirika la Habari la Ekhbary

Mapinduzi katika Uendelezaji wa Betri: Mafunzo ya Mashine Yanaboresha Ubunifu wa Betri za Lithium-ion Haraka na kwa Gharama Nafuu

Mahitaji ya kimataifa ya uhifadhi wa nishati yanaendelea kuongezeka, yakichochewa na kuenea kwa kasi kwa magari ya umeme, vifaa vya kielektroniki vinavyobebeka, na gridi za nishati mbadala. Katika moyo wa mabadiliko haya ni betri za lithiamu-ioni, lakini uendelezaji wao umekuwa ukikabiliwa na kikwazo kikubwa kwa muda mrefu: mchakato mgumu na unaotumia muda mwingi wa kujaribu miundo mipya. Hata hivyo, mafanikio ya hivi karibuni ya timu ya wanasayansi wa kimataifa, yaliyochapishwa katika jarida mashuhuri la Nature, yanaahidi kubadilisha mazingira haya, kwa kuanzisha mbinu ya mafunzo ya mashine ambayo inaweza kupunguza kwa kiasi kikubwa gharama na nishati inayohitajika kuleta betri za lithiamu-ioni za kizazi kijacho sokoni.

Kwa kawaida, kuamua maisha na utumikaji halisi wa muundo mpya wa betri kunajumuisha mbinu ngumu ya 'nguvu kamili'. Prototypes hupitia mizunguko mingi ya kuchaji na kutoa chaji, mara nyingi kwa miezi au hata miaka, hadi zifikie kizingiti cha mwisho wa maisha yao. Mchakato huu sio tu wa polepole sana bali pia unatumia nishati nyingi na ni ghali sana. Makadirio ya kutia wasiwasi kutoka kwa utafiti mmoja yalionyesha kuwa bila mabadiliko ya kimsingi katika mchakato wa uendelezaji, miundo ya betri za lithiamu ya sasa na ya baadaye inaweza kutumia kwa pamoja gigawati-saa (GWh) 130,000 za nishati kati ya 2023 na 2040. Ili kuweka hili katika mtazamo, takwimu hiyo inawakilisha takriban nusu ya umeme unaozalishwa kila mwaka katika jimbo lote la California (GWh 278,338), ikionyesha mwelekeo usio endelevu kwa uvumbuzi wa betri.

Utafiti mpya unaleta mfumo wa kisasa wa mafunzo ya mashine unaoitwa 'Discovery Learning', ambao waumbaji wake wanadai kuwa unaweza kuokoa asilimia 98 ya muda na asilimia 95 ya gharama ikilinganishwa na mbinu za kawaida. Mabadiliko haya ya dhana yanaachana na majaribio kamili ya kimwili kuelekea utabiri wenye akili, unaotegemea data. Dk. Chao Hu, profesa mshiriki katika Chuo Kikuu cha Connecticut, alisifu uvumbuzi huo katika makala inayofuatana, akisema inaonyesha "uwezo mkubwa wa kushughulikia tatizo muhimu katika uendelezaji wa betri."

Iliyoundwa na mtafiti wa postdoctoral wa Chuo Kikuu cha Michigan Jiawei Zhang na timu yake, mfumo wa Discovery Learning unajengwa juu ya kazi ya msingi kutoka kwa utafiti wa 2019. Utafiti huo wa awali ulionyesha kuwa mfumo wa mafunzo ya mashine unaweza kutabiri kwa usahihi maisha ya betri kwa kutumia data ya maisha ya mapema kutoka kwa majaribio ya prototypes, na kufikia makosa ya wastani ya chini ya asilimia 15 kwenye seti za majaribio, ikichukuliwa kuwa sahihi sana. Zhang na wenzake waliboresha dhana hii kwa kugawanya njia hiyo katika moduli tatu zilizounganishwa: Mwanafunzi (Learner), Mkalimani (Interpreter), na Oracle.

Mchakato huanza na moduli ya 'Mwanafunzi', ambayo huchagua kwa akili prototypes za miundo mipya ya betri ambayo inachukuliwa kuwa na uwezekano mkubwa wa kutoa data muhimu ili kuboresha usahihi wa utabiri. Prototypes hizi zilizochaguliwa kisha hupitia majaribio ya awali, ya hatua za mwanzo. Moduli ya 'Mkalimani' baadaye huchukua data hii ya maisha ya mapema na, ikiunganisha mifano ya sifa za kimwili pamoja na data ya kihistoria ya maisha kamili kutoka kwa betri zilizopo, hufanya uchambuzi kamili. Mwishowe, moduli ya 'Oracle' hutumia matokeo hayo kutoka kwa Mkalimani kutabiri maisha ya prototypes zilizojaribiwa hivi karibuni. Kwa umuhimu, uvumbuzi huo unategemea kitanzi cha maoni: habari hii ya maisha iliyotabiriwa kisha hurudishwa kwenye moduli ya Mwanafunzi, ikitoa taarifa juu ya uteuzi wa kundi lijalo la prototypes za kujaribiwa kimwili. Mzunguko huu wa kurudia-rudia, unaojiboresha wenyewe ndio msingi wa ufanisi wa mfumo.

Dk. Hu alisisitiza tofauti hii muhimu, akibainisha, "Ubunifu muhimu wa mfumo wa Discovery Learning ni kwamba unajisasisha kwa kutumia maisha yaliyotabiriwa na Oracle, badala ya kutumia maisha yaliyopimwa kwa majaribio, kuepuka hitaji la majaribio ya betri ya maisha kamili yanayotumia muda mwingi." Hii huondoa kipengele kinachotumia rasilimali nyingi zaidi katika uendelezaji wa betri za jadi, ikiahidi kuharakisha haraka mzunguko wa R&D.

Hata hivyo, njia ya kuenea kwa matumizi sio bila changamoto zake. Dk. Hu pia anatoa mtazamo wa tahadhari, akisisitiza kwamba bado haijulikani jinsi mfumo wa Discovery Learning utakavyofanya kazi vizuri unapotumiwa na miundo mipya ya betri ambayo inatofautiana sana na sifa za betri zilizopatikana kutoa data ya mafunzo ya awali. Zaidi ya hayo, anasema kwamba "kabla ya mfumo huo kupitishwa kwa matumizi ya jumla, uthibitisho zaidi unahitajika ili kuona jinsi unavyosimama vizuri kwa betri zinazotumiwa katika hali halisi ya ulimwengu, kwa mfano, kwenye joto tofauti na chini ya mizigo tofauti ya umeme." Masuala haya yanasisitiza umuhimu wa utafiti unaoendelea na majaribio makali chini ya hali mbalimbali za uendeshaji ili kuhakikisha uaminifu na matumizi mapana ya mfumo katika wigo tata wa teknolojia za betri.

Shirika la Habari la Ekhbary