چالش تشخیص فرسودگی در باتریهای لیتیوم-یونی
باتریهای خودروهای برقی در طول زمان، بر اثر چرخههای متوالی شارژ و دشارژ و همچنین قرار گرفتن در معرض دماهای متغیر، دچار تخریب میشوند. مشکل اساسی اینجاست که سامانههای مدیریت باتری (BMS) قادر نیستند مستقیماً به درون سلولهای باتری نفوذ کرده و میزان تخریب فیزیکی را اندازهگیری کنند. مهندسان ناچارند وضعیت سلامت باتری را از روی رفتارهای الکتریکی استنباط کنند که این فرآیند همواره با چالشهای تخمین و خطا همراه است.
ترکیبی از یادگیری ماشین و مدلهای ریاضی
کالین چو، دانشآموز مدرسه نوئوا، برای حل این معما رویکردی ترکیبی را پیش گرفت. او به جای اتکا به هوش مصنوعی خالص، یادگیری ماشین را با «مدلسازی مدار معادل» (Equivalent Circuit Modeling) پیوند داد. این متد اجازه میدهد رفتار پیچیده الکتریکی باتری از طریق مؤلفههای ریاضی تحلیلپذیر بازنمایی شود و دقت پیشبینیها افزایش یابد.
چو برای رسیدن به این نتیجه، دادههای ۲۲ باتری مختلف را تحلیل کرد. این باتریها به طور عمدی با سیگنالهای الکتریکی خاصی تحریک شده بودند تا رفتار رانندگی متغیر را شبیهسازی کرده و روند پیر شدن باتری تسریع شود. خروجی این پژوهش، مدلی است که خطای پیشبینی آن را به رقم بسیار پایین ۲.۳۶ درصد رسانده است.
از آزمایشگاه استنفورد تا مجلات تخصصی
این دستاورد حاصل همکاریهای آکادمیک و پژوهشهای میدانی است. چو این پروژه را در آزمایشگاه کنترل انرژی دانشگاه استنفورد و در قالب برنامه پژوهشگران جوان این دانشگاه به سر برد. اعتبار علمی این دستاورد را میتوان در نتایج زیر مشاهده کرد:
- انتخاب چو به عنوان فینالیست مسابقات علمی و ریاضی ریجنرون در سال ۱۴۰۵ خورشیدی.
- ارائه نتایج پژوهش در کنفرانس مدلسازی، تخمین و کنترل در شهر شیکاگو.
- انتشار جزئیات فنی مدل در مجله تخصصی انجمن الکتروشیمی.
تأثیرات عملی بر صنعت خودروهای برقی
دستیابی به تخمین دقیق سلامت باتری، مستقیماً بر تجربه کاربر نهایی و ایمنی خودروها اثر میگذارد. با استفاده از این مدل، میتوان برنامهریزی دقیقتری برای تعمیر و نگهداری قطعات انجام داد و از خطرات احتمالی باتریهای فرسوده پیشگیری کرد. در نهایت، این فناوری به بهینهسازی طول عمر باتریها و مدیریت بهتر چرخه جایگزینی آنها کمک میکند.