Uma estrutura para Li

Scientific Reports volume 13, Artigo número: 13856 (2023) Citar este artigo

1043 acessos

1 Altmétrico

Detalhes das métricas

As baterias de íon-lítio são a principal fonte de energia usada em aplicações de propulsão elétrica (por exemplo, carros elétricos, veículos aéreos não tripulados e aeronaves de mobilidade aérea avançada). O monitoramento e a previsão baseados em análises para métricas como estado de carga e estado de integridade com base em dados de uso específicos da bateria são essenciais para garantir altos níveis de confiabilidade. No entanto, a complexa eletroquímica que governa a operação da bateria leva a modelos baseados na física, computacionalmente caros; que se tornam inadequados para aplicações de prognóstico e gerenciamento de saúde. Propomos uma abordagem híbrida de aprendizado de máquina baseada na física que simula respostas dinâmicas implementando diretamente a integração numérica de equações governantes baseadas em princípios através de redes neurais recorrentes. Enquanto os modelos de ordem reduzida descrevem parte da descarga de tensão sob condições de carga constantes ou variáveis, a incerteza da forma do modelo é capturada através de perceptrons multicamadas e a incerteza aleatória bateria-bateria é modelada através de perceptrons variacionais multicamadas. Além disso, utilizamos uma abordagem bayesiana para mesclar dados de toda a frota na forma de ciclos de descarga específicos da bateria, onde a capacidade da bateria está totalmente disponível ou apenas parcialmente disponível. Ilustramos a eficácia de nossa estrutura proposta usando o conjunto de dados NASA Prognostics Data Repository Battery, que contém dados experimentais de descarga em baterias de íon-lítio obtidas em um ambiente controlado.

Os sistemas de propulsão elétrica e híbrida são facilitadores essenciais da transformação avançada da mobilidade aérea, na qual aeronaves pequenas e grandes dependerão de baterias de íons de lítio para fornecer parte de todas as necessidades de energia. Como um componente crítico do trem de força, a operação segura dessas baterias exigirá um prognóstico robusto e métodos de gestão da saúde1,2. A literatura atual mostra uma série de métodos para monitoramento de baterias com modelos baseados em primeiros princípios3,4, aprendizado de máquina5,6,7 e uma combinação de ambos8,9,10. No entanto, as abordagens de modelagem existentes muitas vezes encontram obstáculos, incluindo: (a) as equações governantes são complexas; e quando disponíveis, simulações de alta fidelidade são computacionalmente caras para serem executadas a bordo; (b) modelos puramente baseados em dados não obedecem necessariamente à física governante, nem generalizam bem para cenários nos quais não foram treinados; e (c) coletar dados suficientes de alta qualidade para treinar adequadamente modelos baseados em dados para um sistema complexo é muitas vezes um desafio - na verdade, os dados disponíveis para ajustar modelos de ordem reduzida ou construir modelos de aprendizado de máquina podem ser pobres (infestados de ruído, faltando dados, observações desequilibradas de entradas e saídas, etc.). Esses desafios são comumente compartilhados por muitas aplicações de prognóstico; criando a necessidade de uma abordagem de modelagem robusta que seja computacionalmente eficiente, ao mesmo tempo em que seja baseada em primeiros princípios, e possa levar em conta conjuntos de dados não estruturados.

Com este pano de fundo, as redes neurais informadas pela física11,12,13 têm o potencial de revolucionar o prognóstico e a gestão da saúde. Esta classe de métodos de aprendizado de máquina pode potencialmente mitigar a falta de dados, bem como outros problemas, como a má interpretabilidade de modelos puramente baseados em dados, ao mesmo tempo que oferece uma precisão comparável a simulações de alta fidelidade por uma fração do custo computacional. Na verdade, desenvolvimentos recentes em operadores neurais14,15 indicam que para problemas nos quais as equações diferenciais parciais são conhecidas, as redes neurais treinadas podem ser reutilizadas para fazer previsões mesmo fora das condições de contorno/iniciais utilizadas no treinamento. No entanto, muitos sistemas complexos não podem ser descritos puramente por equações diferenciais parciais, mas sim por um conjunto de equações governantes e leis empíricas que podem não ser totalmente caracterizadas ao mesmo tempo que os dados disponíveis são escassos. Isso explica o crescente interesse no aprendizado de máquina híbrido baseado na física16,17 como uma estrutura de modelagem promissora para aplicações complexas, como sistemas de propulsão elétricos e híbridos. A estrutura híbrida que propomos usa um paradigma diferente quando comparada às funções de perda baseadas na física, como em 11. Ele aproveita as equações existentes de um sistema para construir um modelo e introduz pequenos núcleos orientados a dados estrategicamente dentro do modelo. As partes do modelo baseadas em dados compensam a falta de física, a incerteza da forma do modelo e a ignorância dos parâmetros do modelo.