ما مدى دقة تنبؤ الذكاء الاصطناعي بتدهور بطاريات المركبات الكهربائية؟
أصبحت بطاريات الليثيوم اليوم عنصراً رئيسياً في تطور التنقل والمركبات الكهربائية، ولكن ما يقف في طريقها هو صعوبة التنبؤ بطول عمرها وأدائها. فعلى الرغم من كفاءتها العالية، بطاريات الليثيوم تفقد قدرتها وتتدهور مع مرور الوقت، أي يقل الجهد المقدر الذي تقدمه البطاريات مقارنة بمقدار شحنها.
يعود تدهور بطاريات الليثيوم في المركبات الكهربائية إلى نوعين من التقدم بالعمر أو “الشيخوخة”: الأول هو تقادم دورة حياة البطارية (Cycle Ageing) الناتج عن الشحن والتفريغ المستمران أثناء الاستخدام، والثاني هو تقادم عمر البطارية (Calendar Ageing) عندما لا تكون البطارية قيد الاستخدام. ويتحكم بتقادم عمر البطارية ثلاثة عوامل رئيسية تقاس عندما تكون البطارية في حالة “راحة” أي حالة من عدم الاستخدام، وهي: حالة الشحن خلال الراحة، ودرجة الحرارة خلال الراحة، ومدة الراحة.
وبالنظر إلى أن المركبات الكهربائية ستقضي معظم حياتها متوقفة وفي حالة “الراحة” هذه، فإن التنبؤ بتدهور قدرة البطاريات بسبب تقادم عمرها بالغ الأهمية، فهو يؤدي إلى إطالة عمر البطارية والسماح بتطوير تقنيات تتجنب ظاهرة تقادم عمر البطارية كلياً. لذلك، يتجه المختصون إلى الذكاء الاصطناعي ويحاولون تدريبه ليستطيع التنبؤ بتقادم عمر البطارية بدقة باستخدام خوارزميات متقدمة من التعلم الآلي.
البحث عن الخوارزميات المناسبة
خلال دراسة مدعومة من برنامج تمويل هوريزون 2020 الأوروبي، قارن فريق من العلماء مؤخراً بين خوارزميتين للتعلم الآلي: خوارزمية تعزيز التدرج الشديد (Extreme Gradient Boosting – XGBOOST) وشبكة عصبية صناعية (Artificial Neural Network – ANN) من ناحية كفاءة ودقة تنبؤهما بتقادم عمر مجموعة واسعة من بطاريات الليثيوم التجارية.
وعلى وجه التحديد، قامت الدراسة بتجريب التنبؤ بتقادم عمر البطارية على ستة أنواع مختلفة من بطاريات الليثيوم وهي: أكسيد الكوبالت الليثيوم (LCO)، وفوسفات الحديد الليثيوم (LFP)، وأكسيد المنغنيز الليثيوم (LMO)، وأكسيد التيتانيوم الليثيوم (LTO)، وأكسيد الألومنيوم والنيكل والكوبالت (NCA)، وأكسيد الكوبالت والمنغنيز والنيكل الليثيوم (NMC). كما تم احداث تقادم عمر البطارية على هذه البطاريات عند درجات حرارة 50 و60 و70 درجة مئوية، وباستخدام جهد كهربائي عالي ومتوسط ومنخفض.
لماذا اختيرت هذه الخوارزميات؟
اختيرت خوارزميات XGBOOST وANN لقدرتها الكبيرة على تقديم نتائج موثوقة، مع أنهما تختلفان بشكل كبير في طريقة عملهما؛ XGBOOST هي خوارزمية تعلم آلي حديثة قائمة على شجرة القرار وتستخدم على نطاق واسع في مشاكل التدهور أو التصنيف، أما ANN فهو نظام تكيفي صناعي يستخدم عناصره الأساسية لتحويل مدخلاته العالمية إلى مخرجات متوقعة.
واستخدم علماء الدراسة لتقييم كفاءة الخوارزميات مقياس متوسط الخطأ النسبي المطلق (MAPE) الذي يقيس متوسط حجم الأخطاء بين القيم المتوقعة والمقاسة، بما معناه أنه كلما كانت قيمة MAPE أصغر، كلما زادت دقة تنبؤ الخوارزمية.
نتائج الدراسة
تبين بعد الدراسة أنه يمكن استخدام XGBOOST للتنبؤ بتقادم عمر البطارية بشكل فعال وبمتوسط خطأ مطلق متدني جداً، بينما ينتج ANN نتائج مقبولة فقط للبطاريات من نوع فوسفات الحديد الليثيوم (LFP)، وأكسيد التيتانيوم الليثيوم (LTO)، وأكسيد الألومنيوم والنيكل والكوبالت (NCA).
كما ظهر الأداء المتفوق العام لخوارزمية XGBOOST، وخاصة فيما يتعلق بأنواع البطاريات التي تهيمن على صناعة السيارات الكهربائية (NCA وNMC وLFP)، حيث يمكن دمج هذه الخوارزمية في برامج تطبيق بطاريات المركبات الكهربائية للتنبؤ بنجاح بتقادم عمر البطارية وإطالة عمر البطاريات بشكل أفضل. ونترقب الآن ما سيحدث لتحويل نتائج الدراسة هذه إلى تطبيقات تجارية.
