Odemykání budoucnosti EV

Generální ředitel StoreDot Dr Doron Myersdorf zkoumá, jak umělá inteligence může hrát roli při řešení úzkosti z dosahu

Podle Bloomberg New Energy Finance’s Electric Vehicle Outlook 2018 do roku 2030 se očekává, že celkový prodej elektromobilů (EV) celosvětově překročí 30 milionů a nákladové parametry budou konečně v souladu se spalovacím motorem. EV představuje seismický posun v automobilovém průmyslu a jeho potenciální dopad na podnikání a životní prostředí je přesvědčivý. Dnes jsou debaty o přijetí a životnosti EV hojné a o nic víc než o potenciálním výkonu baterií EV. Pro vědce stále zůstává mnoho výzev – včetně bezpečnosti baterií, hustoty energie, nabíjecích schopností a jejich výkonu v autě.

V této funkci Dr Doron Myersdorf, generální ředitel společnosti StoreDot, zkoumá, jak by umělá inteligence mohla mít klíč k řešení těchto problémů a potenciál tohoto přístupu pro budoucnost skladování energie a elektromobilů.

Sázky na globálním trhu s bateriemi jsou neuvěřitelně vysoké. Podle generálního ředitele DG Connect při Evropské komisi Roberta Violy se odhaduje, že od roku 2025 bude mít hodnotu více než 250 miliard liber ročně s možným vytvořením 4 milionů pracovních míst jen v EU. Tyto baterie, které jsou již nyní nezbytné pro většinu spotřebního zboží, budou ještě důležitější pro elektromobily, přičemž rozšířené přijetí závisí na výkonu.

Superrychlé nabíjení – aktuální problémy ve vývoji baterií

„V současné době žádný výrobce automobilů nebo baterií nemůže tvrdit, že nabízí baterii EV, která se nabíjí tak rychle, jako je potřeba k naplnění nádrže tradičního vozidla na fosilní paliva, ani nemůže nabídnout stejný dojezd. Například Volkswagen e-Up nabízí 99 mil na plné nabití a Tesla Model S 100D má dojezd 335 mil na plné nabití. Žádné z těchto vozidel však nelze plně nabít během několika minut. Plné nabití dnes trvá přeplňovací stanici Tesla 75 minut, zatímco SP Group, největší síť elektromobilů v Singapuru, trvá jen půl hodiny.

„Potenciál lithium-iontových baterií vyřešit některé z těchto problémů je obrovský. Existuje však řada problémů s lithium-iontovými bateriemi, které brání rychlému nabíjení – od potřeby vyšší hustoty energie až po prvotřídní výkon a zvýšené požadavky na bezpečnost. Překonávání problémů v chemii baterií je pomalý výzkumný proces, z velké části založený na iterativním návrhu experimentování a systematickém pokusu a omylu. Mnoho nových vylepšení selže dříve, než se dostanou na trh.

„V zařízeních pro výzkum a vývoj, jako je to naše, shromažďují cyklisté informace z bateriových článků každou sekundu; tyto informace zahrnují důležité parametry výkonu, jako je teplota článku, odpor v reálném čase, okno provozního napětí, nabíjecí a vybíjecí proud a úrovně bobtnání. Informace jsou shromažďovány současně z tisíců baterií s terabajty dat shromážděných za experiment. Výsledkem je, že počet kombinací těchto materiálů je nekonečný a počet experimentů potřebných k testování každé kombinace je stejný. Je extrémně obtížné to vyřešit tradičními statistickými nebo manuálními metodami.

Umělá inteligence – zlepšení vývoje baterií

„Nicméně holistický přístup k využití datové vědy při vývoji baterií by mohl být klíčem k řešení takto složitých modelů. Umělá inteligence (AI) je dnes módní slovo. Jednoduše řečeno, umělá inteligence neboli strojové učení dokáže vyhodnotit informace a vytvořit matematický model mnohem rychlejším tempem než lidský mozek. Umělá inteligence znamená, že se systémy mohou automaticky učit a zlepšovat na základě zkušeností, aniž by byly explicitně naprogramovány.

„Současný a potenciální dopad AI na různá odvětví je ohromující. Ve výrobě již některé z největších světových společností používají AI s působivými výsledky. Například Smart Manufacturing System společnosti Royal Dutch Shell využívá AI k předpovídání poptávky po ropě, měření nedostatku dodávek a analýze správné směsi/směsí pro přesný proces rafinace. BASF a SAP tvrdily, že 94 procent svých plateb zautomatizovaly pomocí AI. Aplikační potenciál umělé inteligence je široký –

od návrhu materiálu a syntézy až po návrh experimentu, analýzu chyb a minimalizaci odpadu. S AI je možná chytřejší věda se smysluplnými průlomy.

„Dopad tohoto na vývoj baterií nelze podceňovat. Technologie dokáže procházet miliony záznamů a popsat vztah mezi naměřenými daty a parametry baterie. Jako výrobci to pak můžeme použít k testování milionů kombinací elektrolytů, anod a katod v kteroukoli danou chvíli.

„Vědci mohou nejen vyhodnotit baterie ve vývoji, ale mohou se také učit z již existujících baterií, aby dosáhli lepšího porozumění profilu jejich chování při výkonu a doporučili optimální řešení. Schopnost rychle testovat neomezené kombinace znamená, že konečné složení materiálů použitých k výrobě bateriového článku je dosaženo mnohem, mnohem rychleji. To dramaticky snižuje počet nezbytných experimentů, čímž se dramaticky zkracuje doba vývoje a také se výrazně snižují náklady na vývoj. Například tým 50 výzkumníků, kteří pracují na konkrétním složení baterie, může ušetřit až 1 milion dolarů na úsilí ve výzkumu a vývoji měsíčně nasazením schopností strojového učení.“

Strojové učení podporující budoucí výzkum a vývoj

„Ve StoreDot přinesl první pokus o tuto techniku ​​pozoruhodné výsledky. Například u první generace naší technologie ultrarychlého nabíjení FlashBattery se strojovým učením náš tým zjistil, že několik jednoduchých změn ve formování by mohlo zdvojnásobit počet cyklů vyvíjené baterie z 300 na více než 600 cyklů. Právě tento objev inspiroval StoreDot k vývoji a věnování celé výzkumné a vývojové skupiny, jen aby vybudovala naše schopnosti v oblasti strojového učení. Tento dramatický výsledek je nyní aplikován na další generaci našich baterií pro EV. Ultra-rychlé nabíjení představuje velmi složitý problém – v tradiční metodice baterií bychom obvykle vyměnili pouze jednu součást, ale zde možná budeme muset změnit mnohem více, abychom dosáhli požadovaného průlomu. Kombinací inovativní datové vědy, poháněné umělou inteligencí, s odbornými znalostmi v oblasti elektrochemie, struktury článků, anod, katod a elektrolytů lze dosáhnout mnohem komplexnějších závěrů.

„Je zřejmé, že přínos strojového učení během procesu výzkumu a vývoje se ukazuje jako neocenitelný. Toto však není jediný způsob, jak lze AI implementovat pro pokrok EV. Velmi odlišnou a zajímavou aplikací strojového učení by byla jeho implementace do operačního softwaru EV, průběžné sledování výkonu a stavu baterie, měření dat v reálném čase, učení se z nich a jejich zpětné cirkulování za účelem zlepšení výkonu produktu. Navíc vytvořením chytřejších baterií se zabudovanými snímacími schopnostmi a se samoopravnými funkcemi si systém správy baterií může být vědom jejich „zdravotního stavu“ a v případě potřeby může dokonce omladit bateriové články nebo moduly.

„V konečném důsledku tím, že inovátoři mohou měnit více než jednu komponentu najednou a analyzovat důkazy rychleji, mohou dospět k závěrům, kterých tradiční statistická analýza nemůže dosáhnout. Tyto důkazy umožňují rychlejší vývojové cykly a schopnost překonat problémy, které by jinak nebylo možné vyřešit. Pro přijetí elektromobilů je tato schopnost prvořadá při řešení jedné z největších spotřebitelských překážek, „nepokoje z dojezdu“. Snížením doby nabíjení baterie pomocí technologie strojového učení, doslova, by mohlo být přepracováno celé odvětví EV.“




5 nejčastějších problémů s nákladními a osobními auty během letních měsíců

kW vs kWh, A vs Ah:Jak souvisí s elektrickým vozidlem?

Exteriér BMW i8 2018 Roadster