Οι Πυρκαγιές Μπαταριών Ανησυχούν Λόγω της Υιοθέτησης Ηλεκτρικών Οχημάτων – Μπορεί η Τεχνητή Νοημοσύνη να Βοηθήσει στην Πρόληψη της Θερμικής Διαφυγής;

Μια ομάδα μηχανικών υπό την ηγεσία ενός διδακτορικού φοιτητή του Πανεπιστημίου της Αριζόνα παρουσίασε μια καινοτόμο μέθοδο για την πρόληψη της υπερθέρμανσης των μπαταριών ηλεκτρικών οχημάτων. Η μέθοδος χρησιμοποιεί αλγόριθμους τεχνητής νοημοσύνης για την πρόβλεψη περιοχών κινδύνου πριν γίνουν επικίνδυνες. Πολλοί θεωρούν αυτή τη μελέτη ως ένα σημαντικό ορόσημο στη βιομηχανία, ιδιαίτερα λαμβάνοντας υπόψη τη αυξανόμενη ζήτηση για ηλεκτρικά οχήματα. Εδώ είναι όλα όσα πρέπει να γνωρίζετε για το μελλοντικό ρόλο της τεχνητής νοημοσύνης στην πρόληψη της θερμικής διαφυγής.

Μπαταρίες Λιθίου-Ιόντων (LIBs)

Υπάρχουν ορισμένα βασικά σημεία που πρέπει να κατανοήσετε για να αντιληφθείτε το μέγεθος αυτής της έρευνας. Κατ’ αρχάς, οι μπαταρίες λιθίου-ιόντων (LIBs) είναι οι πιο συχνά χρησιμοποιούμενες μπαταρίες στα σημερινά ηλεκτρικά οχήματα. Αυτές οι μπαταρίες ενσωματώνουν φορτισμένα ιόντα λιθίου για τη μεταφορά ενέργειας μέσα στη μονάδα, παράγοντας ρεύμα για τις ηλεκτρικές σας ανάγκες. Αυτό που κάνει τις LIBs τόσο δημοφιλείς είναι ότι μπορούν να φορτιστούν με την προσωρινή αλλαγή πολικότητας και την αποστολή των ιόντων πίσω στον αρνητικό πόλο της μονάδας.

Τα σημερινά ηλεκτρικά οχήματα εξαρτώνται από αυτές τις συσκευές για πολλούς λόγους, συμπεριλαμβανομένου του ότι έχουν αξιοπρεπές χρόνο ζωής, είναι σχετικά ελαφριές σε σύγκριση με τις εναλλακτικές και παρέχουν εξαιρετική ενεργειακή πυκνότητα. Σημαντικό είναι ότι είναι σύνηθες αυτές οι μπαταρίες να χρησιμοποιούν κυψέλες που ομαδοποιούνται για τη δημιουργία του πλήρους πακέτου του ηλεκτρικού οχήματος. Επιπλέον, τα περισσότερα πακέτα μπαταριών ηλεκτρικών οχημάτων περιέχουν χιλιάδες κυψέλες.

Τι είναι η Θερμική Διαφυγή;

Η τρέχουσα πολυκυψέλη δομή των LIBs βοηθά τις μπαταρίες να φορτίζονται πιο γρήγορα και να έχουν μεγαλύτερη διάρκεια ζωής. Ωστόσο, μπορεί να δημιουργήσει σημεία υπερθέρμανσης μέσα στο πακέτο μπαταρίας που μπορεί να οδηγήσουν σε καταστροφική αποτυχία. Όταν μια μόνο κυψέλη αρχίζει να παρουσιάζει δυσλειτουργία, μπορεί να θερμανθεί γρήγορα, προκαλώντας στις γύρω κυψέλες αύξηση της θερμοκρασίας και ενδεχομένως περαιτέρω αποτυχίες. Αυτό το εφέ ντόμινο ονομάζεται θερμική διαφυγή και αποτελεί ένα από τα κύρια προβλήματα που αντιμετωπίζουν τα ηλεκτρικά οχήματα σήμερα.
Η θερμική διαφυγή (TR) μπορεί να μειώσει την απόδοση, να προκαλέσει αποσύνθεση της μπαταρίας και ακόμη εκρήξεις. Ως εκ τούτου, αποτελεί πραγματική ανησυχία για τους ιδιοκτήτες ηλεκτρικών οχημάτων. Η θερμική διαφυγή μπορεί να προκληθεί από διάφορους παράγοντες, όπως αποτυχίες μπαταρίας, τήξη του διαχωριστικού, αποσύνθεση του καθόδου ή ανεπιθύμητη αντίδραση του λιθίου με το ηλεκτρολύτη.

Ασφάλεια

Αυτά τα βραχυκυκλώματα μπορούν να συμβούν γρήγορα και να οδηγήσουν σε τραυματισμούς των περαστικών λόγω πυρκαγιών και εκρήξεων. Υπάρχουν πολλές ιστορίες ανθρώπων που ξύπνησαν σε πυρκαγιές σπιτιών ή άλλες τρομακτικές στιγμές λόγω της ανάφλεξης της μπαταρίας του ηλεκτρικού οχήματος. Ως εκ τούτου, η επίλυση αυτού του προβλήματος έχει γίνει κύρια προτεραιότητα για ερευνητές παγκοσμίως.

Αύξηση Θερμοκρασίας

Η ανάγκη μείωσης της TR έχει γίνει πιο σημαντική τα τελευταία χρόνια λόγω πολλαπλών παραγόντων. Η αύξηση της χρήσης ηλεκτρικών οχημάτων και των παγκόσμιων θερμοκρασιών έχει δημιουργήσει ένα επικίνδυνο σενάριο με περισσότερες ζωές σε κίνδυνο από ποτέ. Αυτοί οι παράγοντες καθιστούν την ψύξη των μπαταριών ουσιώδη για την επίτευξη ενός πιο πράσινου μέλλοντος.

Μελέτη AI για τη Θερμική Διαφυγή

Μια μελέτη που δημοσιεύτηκε στο Journal of Power Sources δείχνει πώς ένας προηγμένος αλγόριθμος AI σε συνδυασμό με αισθητήρες θα μπορούσε να είναι το κλειδί για την εξάλειψη της θερμικής διαφυγής μια για πάντα. Η μελέτη, υπό την ηγεσία του Basab Goswami, χρησιμοποιεί προσομοιώσεις δεδομένων οδηγών για να μιμηθεί τη χρήση μπαταριών EV υπό καθημερινές συνθήκες οδήγησης.
Πολυφυσικά και μοντέλα μηχανικής μάθησης που αξιοποιούσαν υπομοντέλα θερμικής, ηλεκτροχημικής και φθοράς χρησιμοποιήθηκαν για τον προσδιορισμό των κρίσιμων στιγμών που η TR έγινε εμφανής. Από εκεί, τα συστήματα AI ενίσχυσαν τα δεδομένα, επιτρέποντάς τους να προβλέπουν και να εντοπίζουν υπερθερμασμένες κυψέλες πιο γρήγορα από οποιαδήποτε οπτική λύση.

Δοκιμή AI για τη Θερμική Διαφυγή

Οι ερευνητές επιδίωξαν να αποκτήσουν καλύτερη κατανόηση του πώς μια στερεή διεπαφή ηλεκτρολύτη φθείρεται σε αρνητικό ηλεκτρόδιο υπό διάφορες συνθήκες. Η ομάδα χρησιμοποίησε πραγματικά δεδομένα οδηγών και καταστάσεις μπαταρίας όπως η σταθερή φόρτιση/αποφόρτιση και κύκλοι οδήγησης για να δοκιμάσει την θερμική υπογραφή της μπαταρίας. Για την εκτέλεση αυτής της εργασίας, η ομάδα δημιούργησε μια μπαταρία με ειδικούς θερμικούς αισθητήρες τυλιγμένους γύρω της.
Οι αισθητήρες θερμοκρασίας παρείχαν λεπτομερή χωρικά και χρονικά δεδομένα θερμοκρασίας που στη συνέχεια συνδυάστηκαν με ιστορικά δεδομένα και τροφοδοτήθηκαν στον αλγόριθμο AI. Αυτά τα δεδομένα περιλάμβαναν κρίσιμες καταστάσεις, περιβάλλοντα, δραστηριότητες οδηγών και τεχνικά ζητήματα.

Αλγόριθμος του Goswami

Ο αλγόριθμος Goswami είναι μοναδικός με πολλούς τρόπους. Κατ’ αρχάς, είναι το πρώτο μοντέλο μηχανικής μάθησης AI που χρησιμοποιείται για την πρόβλεψη της TR. Αυτό το πολυφυσικό μοντέλο ήταν δυνατό μόνο χάρη σε νέα συστήματα AI όπως η διανυσματική μοντελοποίηση. Αυτά τα προηγμένα συστήματα μπορούν να αναλύσουν τεράστιες ποσότητες δεδομένων και να εντοπίσουν συσχετισμούς ή πολύπλοκα μοτίβα πολύ πέρα από τις ανθρώπινες δυνατότητες. Συνεπώς, η μέθοδος μοντελοποίησης επέτρεψε στην ομάδα να δημιουργήσει ρεαλιστικά δεδομένα για τη συμπεριφορά οδήγησης EV.

Αποτελέσματα Δοκιμής AI για τη Θερμική Διαφυγή

Τα αποτελέσματα της μελέτης είναι εντυπωσιακά. Κατ’ αρχάς, η ομάδα πέτυχε τον στόχο της να προβλέπει με ακρίβεια και συνέπεια τη TR στις LIBs. Η AI ήταν πολύ ακριβής και μπορούσε ακόμη και να προσδιορίσει πού ξεκίνησε η θερμική διαφυγή, ειδοποιώντας για τον κίνδυνο και αποτρέποντας περαιτέρω ζημιά. Τώρα, η ομάδα επιδιώκει να επεκτείνει την έρευνά της, η οποία θα μπορούσε κάποια μέρα να βοηθήσει στη δημιουργία ασφαλέστερων EV για όλους.

Οφέλη της AI για τη Θερμική Διαφυγή

Υπάρχουν πολλά οφέλη που αυτή η έρευνα προσφέρει στην αγορά. Κατ’ αρχάς, ο αλγόριθμος AI είναι πολύ πιο οικονομικός από τη χρήση άλλων μεθόδων για την πρόληψη της θερμικής διαφυγής. Στο παρελθόν, οι μηχανικοί, συμπεριλαμβανομένων αυτών της μελέτης, χρησιμοποίησαν οπτικές μεθόδους μέτρησης. Αυτές οι τακτικές ήταν αποτελεσματικές αλλά απαιτούσαν ακριβά κάμερες και συνεχής παρακολούθηση. Η AI ελευθερώνει τις προσπάθειες της ομάδας και παρέχει καλύτερα αποτελέσματα.

Υψηλή Ακρίβεια

Η δυνατότητα πρόβλεψης της θερμοκρασίας του θερμοζεύγους και της θέσης των σημείων υπερθέρμανσης με ακρίβεια αποτελεί κρίσιμο βήμα για τη δημιουργία πιο ανθεκτικών και ικανών μπαταριών στο μέλλον. Οι μηχανικοί μπορούν να χρησιμοποιήσουν αυτήν την προσέγγιση για να καθορίσουν πού μπορούν να βελτιώσουν τα προϊόντα τους και ποια μέρη χρειάζεται να αναβαθμίσουν ή να τροποποιήσουν ώστε να αποτρέψουν μελλοντική TR.

Επίτευξη Καθαρών Εκπομπών (NetZero)

Ένα ακόμη όφελος αυτής της έρευνας είναι ότι διευκολύνει την παγκόσμια στόχευση μείωσης του άνθρακα και των ρύπων. Τα EV είναι ένας τρόπος να μειωθούν οι εκπομπές αυτοκινήτων και οποιαδήποτε μέθοδος βελτίωσης της αποδοτικότητας και της αποτελεσματικότητάς τους θα έχει σημαντική επίδραση στην αγορά αυτοκινήτων στο μέλλον. Το 2023, οι πωλήσεις EV αυξήθηκαν κατά 35% παγκοσμίως. Οι αναλυτές προβλέπουν ότι αυτή η ανάπτυξη θα συνεχιστεί, καθιστώντας την ασφάλεια της TR προτεραιότητα για τους περισσότερους κατασκευαστές.

Εύκολη Ενσωμάτωση

Αυτή η τεχνολογία μπορεί να ενσωματωθεί στις αλυσίδες εφοδιασμού και τις διαδικασίες παραγωγής με ελάχιστη προσπάθεια. Το μοντέλο AI θα βελτιώνεται καθώς θα εισάγονται περισσότερα δεδομένα, καλύτεροι αισθητήρες και πρόσθετα μοντέλα σε κάθε σύστημα διαχείρισης μπαταριών ηλεκτρικού οχήματος.

Ερευνητές

Η μελέτη πραγματοποιήθηκε στο Πανεπιστήμιο της Αριζόνα από τους Vitaliy Yurkiv, Farzad Mashayek, Yasaman Abdisobbouhi, Hui Du και Todd A. Kingston. Το έργο έγινε δυνατό χάρη σε χρηματοδότηση $599,808 από το Πρόγραμμα Άμυνας για την Ενίσχυση του Ανταγωνιστικού Έρευνας (Defense Established Program to Stimulate Competitive Research) του Υπουργείου Άμυνας. Σημαντικό είναι ότι οι Goswami και Yurkiv δημοσίευσαν άλλο άρθρο τον Ιανουάριο του τρέχοντος έτους, παρουσιάζοντας μια οπτική μέθοδο ανίχνευσης σημείων θερμότητας. Η τελευταία αυτή μελέτη αποτελεί την κορύφωση εκείνης της έρευνας και την επιθυμία να προσφερθεί μια πιο προσιτή και προσιτή επιλογή.

Δύο Εταιρείες που Μπορεί να Ωφεληθούν από αυτήν την Έρευνα

Πολλές εταιρείες θα μπορούσαν να δουν άμεσα οφέλη από αυτή τη μελέτη. Η ζήτηση για EV αυξάνεται, και οι κατασκευαστές εισέρχονται στην αγορά για να καλύψουν αυτήν την ανάγκη. Η δυνατότητα παροχής ασφαλέστερων εναλλακτικών σε σχέση με τις σημερινές επιλογές θα βοηθήσει αυτές τις εταιρείες να ανέβουν στην κορυφή της αγοράς. Ακολουθούν δύο εταιρείες που θα μπορούσαν να εφαρμόσουν αυτήν την τεχνολογία σήμερα και να δουν αυξημένα κέρδη.

1. Rivian

RIVN Διάγραμμα τιμής

Η Rivian ιδρύθηκε το 2009 ως Mainstream Motors. Μετά από αρκετά χρόνια και αλλαγές ονόματος, η εταιρεία έγινε επίσημα Rivian το 2011. Σήμερα, η Rivian παραμένει ένας από τους μεγαλύτερους κατασκευαστές EV στη Βόρεια Αμερική. Η εταιρεία εξειδικεύεται σε SUV ηλεκτρικά και έχει την έδρα της στην Καλιφόρνια με παραγωγικές μονάδες στο Ιλινόις.
Η Rivian ανέφερε έσοδα $4,43 δισεκατομμύρια το 2023 με συνολικά περιουσιακά στοιχεία $16 δισεκατομμύρια. Τα τελευταία χρόνια, η εταιρεία έχει επενδύσει σημαντικά στην επίτευξη μηδενικών εκπομπών άνθρακα έως το 2040. Αυτοί οι παράγοντες, μαζί με τη αυξανόμενη ζήτηση για τα προϊόντα της, καθιστούν τη Rivian μια ισχυρή «κρατήστε» επιλογή για επενδυτές που αναζητούν εναλλακτικές λύσεις στην Tesla (TSLA ).

2. Xiaomi

Η κινεζική εταιρεία κατασκευής EV Xiaomi θεωρείται ο μεγαλύτερος ανταγωνιστής της Tesla Motors στον χώρο των ηλεκτρικών οχημάτων. Η εταιρεία συνεχίζει να κερδίζει μερίδιο αγοράς παγκοσμίως λόγω πολλών παραγόντων. Κατ’ αρχάς, η μάρκα XIAMI είναι γνωστή και αποτελεί δύναμη στον τομέα της ηλεκτρονικής για δεκαετίες. Ως εκ τούτου, υπάρχει ισχυρή αφοσίωση και εμπιστοσύνη των καταναλωτών σε σύγκριση με νεότερες επιλογές.
Η Xiaomi έχει κεφαλαιοποίηση αγοράς $462,55 δισεκατομμύρια και εμφανίζει κέρδος περιθώριο 6,12% αυτή τη στιγμή. Η εταιρεία συνεχίζει να επεκτείνει το μερίδιο αγοράς EV και την τεχνολογία της, οδηγώντας το απόθεμα να παραμένει σε υψηλή ζήτηση παγκοσμίως. Όσοι αναζητούν μια ταχέως αναπτυσσόμενη μετοχή κατασκευής EV θα πρέπει να εξετάσουν τη Xiaomi.

Θερμική Διαφυγή και Ποτέ Πίσω

Πρέπει να επαινέσετε αυτήν την ομάδα για τη δημιουργία μιας αξιόπιστης και ακριβούς μεθόδου καθορισμού των ακριβών βημάτων που εμπλέκονται σε ένα σενάριο θερμικής διαφυγής. Τώρα, αυτά τα δεδομένα μπορούν να βελτιστοποιηθούν και να χρησιμοποιηθούν για περαιτέρω βελτίωση της ανίχνευσης. Τους επόμενους μήνες, το EV σας μπορεί να βασίζεται σε παρόμοια τεχνολογία, βασισμένη στην σκληρή δουλειά που κατέβαλαν αυτοί οι μηχανικοί. Ως εκ τούτου, είναι σοφό να παρακολουθείτε αυτήν την ανακάλυψη στο μέλλον.

Μάθετε για άλλα ενδιαφέροντα έργα τεχνητής νοημοσύνης τώρα.