Πυρκαγιές Μπαταριών Ένας Προβληματισμός Λόγω Της Υιοθέτησης Ηλεκτρικών Οχημάτων – Μπορεί η Τεχνητή Νοημοσύνη να Βοηθήσει στην Πρόληψη Θερμικής Διαφυγής;

Một ομάδα μηχανικών υπό την ηγεσία eines διδακτορικού φοιτητή του Πανεπιστημίου της Αριζόνας έχει εισαγάγει μια νέα μέθοδο για την πρόληψη των μπαταριών ηλεκτρικών οχημάτων από υπερθέρμανση. Η μέθοδος χρησιμοποιεί αλγόριθμους τεχνητής νοημοσύνης για να προβλέψει τις περιοχές που προκαλούν προβλήματα πριν γίνουν επικίνδυνες. Πολλοί θεωρούν αυτή τη μελέτη ως μια突破 στην βιομηχανία, ιδιαίτερα λαμβάνοντας υπόψη την αυξανόμενη ζήτηση για ηλεκτρικά οχήματα. Εδώ είναι όλα όσα πρέπει να γνωρίζετε για το μελλοντικό ρόλο της τεχνητής νοημοσύνης στην πρόληψη θερμικής διαφυγής.

Λιθίου-Ιόνας Μπαταρίες (LIBs)

Υπάρχουν κάποια βασικά σημεία που πρέπει να κατανοηθούν για να comprend την έκταση αυτής της έρευνας. Για παράδειγμα, οι λιθίου-ιόνας μπαταρίες (LIBs) είναι οι πιο συχνά χρησιμοποιούμενες μπαταρίες στα σημερινά ηλεκτρικά οχήματα. Αυτές οι μπαταρίες ενσωματώνουν φορτισμένα ιόντα λιθίου για να μεταφέρουν ενέργεια σε όλη την μονάδα, παράγοντας ρεύμα για τις ηλεκτρικές σας ανάγκες. Αυτό που κάνει τις LIBs τόσο δημοφιλείς είναι ότι μπορούν να φορτιστούν αναστρέφοντας προσωρινά την πολικότητα και στέλνοντας τα ιόντα πίσω στον αρνητικό πόλο της μονάδας.

Τα σημερινά ηλεκτρικά οχήματα εξαρτώνται από αυτές τις συσκευές για πολλά λόγους, συμπεριλαμβανομένου ότι έχουν αξιοσημείωτο χρόνο ζωής, είναι σχετικά ελαφριές σε σύγκριση με τις εναλλακτικές λύσεις και παρέχουν εξαιρετική πυκνότητα ενέργειας. Χαρακτηριστικά, είναι συνηθισμένο για αυτές τις μπαταρίες να χρησιμοποιούν κύτταρα που ομαδοποιούνται για να δημιουργήσουν το πλήρες πακέτο ηλεκτρικού οχήματος. Χαρακτηριστικά, τα περισσότερα πακέτα μπαταριών ηλεκτρικών οχημάτων έχουν χιλιάδες κύτταρα.

Τι είναι η Θερμική Διαφυγή;

Η τρέχουσα πολλαπλή δομή κυττάρων των LIBs βοηθά τις μπαταρίες να φορτίζονται πιο γρήγορα και να επιτύχουν μεγαλύτερο χρόνο ζωής. Ωστόσο, μπορεί να δημιουργήσει ζώνες υψηλής θερμοκρασίας μέσα στο πακέτο μπαταρίας που μπορεί να οδηγήσει σε καταστροφική αποτυχία. Όταν ένα μόνο κύτταρο αρχίζει να dysλειτουργεί, μπορεί να θερμανθεί γρήγορα, προκαλώντας τα γύρω κύτταρα να υποστούν αυξημένη θερμοκρασία και πιθανώς να οδηγήσουν σε περισσότερη αποτυχία. Αυτό το εφέ домινό είναι γνωστό ως θερμική διαφυγή, και είναι ένα από τα κύρια προβλήματα που αντιμετωπίζουν τα ηλεκτρικά οχήματα σήμερα.

Η θερμική διαφυγή (TR) μπορεί να μειώσει την απόδοση, να προκαλέσει αποσύνθεση μπαταρίας και ακόμη και εκρήξεις. Ως takový, είναι ένα πραγματικό πρόβλημα για τους ιδιοκτήτες ηλεκτρικών οχημάτων. Η θερμική διαφυγή μπορεί να προκαλεστεί από διάφορους παράγοντες, συμπεριλαμβανομένων αποτυχιών μπαταρίας, όπως η τήξη του διαχωριστικού, η αποσύνθεση του καθοδικού ή μια αντίθετη αντίδραση Li-ηλεκτρολύτη.

Προβλήματα Ασφάλειας

Αυτές οι βραχυκυκλώσεις μπορούν να συμβούν γρήγορα και να οδηγήσουν σε τραυματισμούς κοντινών περαστικών λόγω πυρκαγιών και εκρήξεων. Υπάρχουν πολλές ιστορίες ανθρώπων που ξυπνούν με πυρκαγιές σπιτιών ή άλλα τρομακτικά γεγονότα λόγω της ανάφλεξης της μπαταρίας του ηλεκτρικού οχήματος. Ως takový, η λύση αυτού του προβλήματος έχει γίνει μια πρωταρχική ανησυχία για ερευνητές παγκοσμίως.

Αύξηση Θερμοκρασίας

Η ανάγκη να μειωθεί η TR έχει γίνει πιο σημαντική τα τελευταία χρόνια λόγω πολλαπλών παραγόντων. Η αύξηση τόσο της χρήσης ηλεκτρικών οχημάτων όσο και των γлобálních θερμοκρασιών έχει δημιουργήσει ένα επικίνδυνο σενάριο με περισσότερες ζωές σε κίνδυνο παρά ποτέ. Αυτοί οι παράγοντες καθιστούν την διατήρηση των μπαταριών ψυχρές απαραίτητη για την επίτευξη ενός πιο πράσινου μέλλοντος.

Μελέτη Θερμικής Διαφυγής Τεχνητής Νοημοσύνης

Μια μελέτη που δημοσιεύθηκε στο Journal of Power Sources δείχνει πώς ένα προηγμένο αλγόριθμο τεχνητής νοημοσύνης 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 симуляσεις δεδομένων οδηγών για να μιμηθεί την χρήση μπαταρίας ηλεκτρικού οχήματος υπό καθημερινές συνθήκες οδήγησης.

Μοντέλα πολλαπλών φυσικών και μηχανικής μάθησης που εκμεταλλεύονται θερμικά, ηλεκτροχημικά και υπομοντέλα αποσύνθεσης χρησιμοποιήθηκαν για να καθορίσουν κρίσιμους момέντες όταν η TR έγινε εμφανής. Από εκεί, τα συστήματα τεχνητής νοημοσύνης ενίσχυσαν τα δεδομένα, επιτρέποντας τους να προβλέψουν και να αναγνωρίσουν υπερθερμανθείσες κύτταρα γρηγορότερα από οποιαδήποτε οπτική λύση.

Δοκιμή Θερμικής Διαφυγής Τεχνητής Νοημοσύνης

Οι ερευνητές ζήτησαν να αποκτήσουν μια καλύτερη κατανόηση του πώς ένα στερεό ηλεκτρολυτικό.interface αποσύνθεται σε ένα αρνητικό ηλεκτρόδιο υπό διάφορες συνθήκες. Η ομάδα χρησιμοποίησε πραγματικά δεδομένα οδηγών και καταστάσεις μπαταρίας, όπως η σταθερή φόρτιση/εκφόρτιση και οι κύκλοι οδήγησης, για να δοκιμάσει το θερμικό σήμα της μπαταρίας. Για να επιτύχουν αυτό το έργο, η ομάδα δημιούργησε μια μπαταρία που είχε ειδικούς θερμικούς αισθητήρες τυλιγμένους γύρω της.

Οι αισθητήρες θερμοκρασίας παρείχαν λεπτομερή χωρική και χρονική δεδομένα θερμοκρασίας που συνδυάστηκαν με ιστορικά δεδομένα και τα οποία παρουσιάστηκαν στο αλγόριθμο τεχνητής νοημοσύνης. Αυτά τα δεδομένα περιελάμβαναν κρίσιμες καταστάσεις, περιβάλλοντα, δραστηριότητες οδηγών και τεχνικά προβλήματα.

Αλγόριθμος Goswami

Ο αλγόριθμος Goswami είναι μοναδικός σε πολλά σημεία. Για παράδειγμα, είναι το πρώτο μοντέλο μηχανικής μάθησης τεχνητής νοημοσύνης που χρησιμοποιείται για να προβλέψει την TR. Αυτό το μοντέλο πολλαπλών φυσικών ήταν δυνατό χάρη σε νέες συστήματα τεχνητής νοημοσύνης, όπως το μοντέλο διανυσμάτων. Αυτά τα προηγμένα συστήματα μπορούν να αναλύσουν τεράστια ποσά δεδομένων και να δείξουν συσχετίσεις ή σύνθετα μοτίβα πέρα από τις ανθρώπινες ικανότητες. Συνεπώς, η μέθοδος μοντελοποίησης επέτρεψε στην ομάδα να δημιουργήσει ρεαλιστικά δεδομένα για τη συμπεριφορά οδήγησης ηλεκτρικών οχημάτων.

Αποτελέσματα Δοκιμής Θερμικής Διαφυγής

Τα αποτελέσματα της μελέτης είναι εντυπωσιακά. Για παράδειγμα, η ομάδα ήταν επιτυχημένη στο στόχο της να προβλέψει ακριβώς και με ακρίβεια την TR στις LIBs. Η τεχνητή νοημοσύνη ήταν πολύ ακριβής και μπορούσε ακόμη και να καθορίσει πού ξεκίνησε η θερμική διαφυγή, προειδοποιώντας για τον κίνδυνο και προλαμβάνοντας περαιτέρω ζημιά. Τώρα, η ομάδα αναζητά να επεκτείνει την έρευνά της, η οποία θα μπορούσε μια μέρα να βοηθήσει στην δημιουργία ασφαλέστερων ηλεκτρικών οχημάτων για όλους.

Πλεονεκτήματα Θερμικής Διαφυγής Τεχνητής Νοημοσύνης

Υπάρχουν πολλά πλεονεκτήματα που αυτή η έρευνα φέρνει στην αγορά. Για παράδειγμα, ο αλγόριθμος τεχνητής νοημοσύνης είναι πολύ φθηνότερος από τη χρήση άλλων μεθόδων για την πρόληψη της θερμικής διαφυγής. Στο παρελθόν, οι μηχανικοί, συμπεριλαμβανομένων εκείνων σε αυτή τη μελέτη, έχουν προτείνει οπτικές μεθόδους μέτρησης. Αυτές οι τακτικές ήταν αποτελεσματικές αλλά απαιτούσαν ακριβές κάμερες και συνεχή παρακολούθηση. Η τεχνητή νοημοσύνη απελευθερώνει τις προσπάθειες της ομάδας και παρέχει καλύτερα αποτελέσματα.

Υψηλή Ακρίβεια

Η ικανότητα να προβλέψει τη θερμοκρασία θερμοζευγών και την τοποθεσία των ζωνών υψηλής θερμοκρασίας με ακρίβεια είναι ένα κρίσιμο βήμα για τη δημιουργία πιο ανθεκτικών και ικανοποιητικών μπαταριών στο μέλλον. Οι μηχανικοί μπορούν να χρησιμοποιήσουν αυτήν την προσέγγιση για να βοηθήσουν στην καθοδήγηση του πού τα προϊόντα τους μπορούν να βελτιωθούν και ποια μέρη χρειάζονται να αναβαθμισθούν ή να τροποποιηθούν για να προληφθεί η μελλοντική TR.

Επίτευξη Μηδενικών Εκπομπών

Ένα άλλο πλεονέκτημα αυτής της έρευνας είναι ότι καθιστά το παγκόσμιο στόχο της μείωσης του άνθρακα και των ρύπων πιο εύκολο. Τα ηλεκτρικά οχήματα είναι ένας τρόπος για να βοηθήσει στην μείωση των εκπομπών οχημάτων και οποιαδήποτε μέθοδος για την βελτίωση της απόδοσης και της αποτελεσματικότητας τους θα έχει σημαντική επίδραση στην αυτοκινητοβιομηχανία. Το 2023, οι πωλήσεις ηλεκτρικών οχημάτων αυξήθηκαν 35% παγκοσμίως. Οι αναλυτές προβλέπουν ότι αυτή η αύξηση θα συνεχιστεί, καθιστώντας την ασφάλεια της TR μια προτεραιότητα για τους περισσότερους κατασκευαστές.

Εύκολη Ενσωμάτωση

Αυτή η τεχνολογία μπορεί να ενσωματωθεί στις γραμμές εφοδιασμού και τις διαδικασίες παραγωγής με ελάχιστη προσπάθεια. Το μοντέλο τεχνητής νοημοσύνης θα βελτιωθεί καθώς θα υπάρχουν περισσότερα δεδομένα, καλύτεροι αισθητήρες και επιπλέον μοντέλα σε κάθε σύστημα διαχείρισης μπαταρίας ηλεκτρικού οχήματος.

Ερευνητές

Η μελέτη διεξήχθη στο Πανεπιστήμιο της Αριζόνας από τους Vitaliy Yurkiv, Farzad Mashayek, Yasaman Abdisobbouhi, Hui Du και Todd A. Kingston. Το έργο ήταν δυνατό χάρη σε μια χορηγία $599,808 από το Υπουργείο Άμυνας του προγράμματος για την προώθηση της ανταγωνιστικής έρευνας. Χαρακτηριστικά, ο Goswami και ο Yurkiv δημοσίευσαν ένα άλλο έγγραφο τον Ιανουάριο του этого έτους, που αποδείκνυε μια οπτική μέθοδο ανίχνευσης ζωνών υψηλής θερμοκρασίας. Αυτή η τελευταία μελέτη είναι η кульμινάτσια αυτής της έρευνας και η επιθυμία να παρέχουν μια πιο οικονομική και προσιτή λύση σε αυτήν.

Δύο Εταιρείες που Μπορεί να Ωφεληθούν από Αυτή την Έρευνα

Πολλές εταιρείες θα μπορούσαν να δουν άμεση ωφέλεια από αυτή τη μελέτη. Η ζήτηση για ηλεκτρικά οχήματα είναι σε αύξηση και οι κατασκευαστές εισέρχονται στην αγορά για να καλύψουν αυτή τη ζήτηση. Η ικανότητα να παρέχουν ασφαλέστερες εναλλακτικές λύσεις σε σχέση με τις σημερινές επιλογές θα βοηθήσει να προωθήσουν αυτούς τους κατασκευαστές στο επάνω μέρος της αγοράς. Εδώ είναι δύο εταιρείες που θα μπορούσαν να εφαρμόσουν αυτήν την τεχνολογία σήμερα και να δουν αυξημένα κέρδη.

1. Rivian

(RIVN )

Η Rivian ιδρύθηκε το 2009 ως Mainstream Motors. Μετά από beberapa χρόνια και αλλαγές ονόματος, η εταιρεία正式 olarak έγινε Rivian το 2011. Σήμερα, η Rivian παραμένει einer από τις μεγαλύτερες κατασκευαστές ηλεκτρικών οχημάτων στη Βόρεια Αμερική. Η εταιρεία ειδικεύεται σε ηλεκτρικά αθλητικά οχήματα και έχει την έδρα της στην Καλιφόρνια με εργοστάσια παραγωγής στο Ιλινόι.

Η Rivian κατέγραψε $4.43B σε έσοδα το 2023 με $16B σε συνολικά περιουσιακά στοιχεία. Τα τελευταία χρόνια, η εταιρεία έχει καταβάλει σημαντικές προσπάθειες για την επίτευξη μηδενικών εκπομπών άνθρακα μέχρι το 2040. Αυτοί οι παράγοντες, μαζί με την αυξανόμενη ζήτηση για τα προϊόντα της, καθιστούν τη Rivian μια ισχυρή “κρατημένη” για traders που αναζητούν εναλλακτικές λύσεις στο Tesla.

2. Xiaomi

Η κινέζικη εταιρεία κατασκευής ηλεκτρικών οχημάτων Xiaomi θεωρείται ο μεγαλύτερος ανταγωνιστής της Tesla Motors στον αγώνα ηλεκτρικών οχημάτων. Η εταιρεία συνεχίζει να καταβροχθίζει μερίδιο αγοράς παγκοσμίως λόγω πολλών παραγόντων. Για παράδειγμα, το brand Xiaomi είναι καλά γνωστό και έχει sido μια δύναμη στον τομέα της ηλεκτρονικής για δεκαετίες. Ως takový, υπάρχει ισχυρή πίστη και πιστότητα των καταναλωτών σε σχέση με νέες επιλογές.

Η Xiaomi έχει μια αγορά με μετοχή $462.55B και δείχνει einen κέρδος 6.12% αυτή τη στιγμή. Η εταιρεία συνεχίζει να επεκτείνει το μερίδιο αγοράς ηλεκτρικών οχημάτων και την τεχνολογία, οδηγώντας το μετοχικό κεφάλαιο να παραμείνει σε υψηλή ζήτηση παγκοσμίως. Αυτοί που αναζητούν μια γρήγορα αναπτυσσόμενη μετοχή κατασκευαστή ηλεκτρικών οχημάτων θα πρέπει να考虑 την Xiaomi.

Θερμική Διαφυγή και Ποτέ Δεν Επιστρέφει

Πρέπει να επαινέσουμε αυτήν την ομάδα για τη δημιουργία μιας αξιόπιστης και ακριβούς μεθόδου για την καθοδήγηση των ακριβών βημάτων που εμπλέκονται σε μια θερμική διαφυγή. Τώρα, αυτά τα δεδομένα μπορούν να βελτιωθούν και να χρησιμοποιηθούν για να βελτιώσουν την ανίχνευση ακόμη περισσότερο. Στα επόμενα μηνύματα, το ηλεκτρικό σας όχημα μπορεί να βασίζεται σε μια παρόμοια τεχνολογία βασισμένη στη σκληρή δουλειά που επενδύθηκε από αυτούς τους μηχανικούς. Ως takový, είναι σοφό να παρακολουθήσετε αυτήν την ανακάλυψη στο μέλλον.

Μάθετε για άλλα cool έργα τεχνητής νοημοσύνης τώρα.