Istraživači u Škotskoj razvili su tehniku mašinskog učenja za poboljšanje analize i predviđanja trajanja litijum-jonske baterije. Goncalo dos Reis i kolege sa Univerziteta u Edinburgu i Heriot-Vatt Univerziteta u Edinburgu, UK, izveštavaju o razvoju i primeni svoje procedure u članku u časopisu otvorenog pristupa Energi and AI. Sposobnost predviđanja toka opadanja baterije na početku njenog životnog ciklusa mogla bi poboljšati upravljanje baterijom, testiranje i dizajn.
Litijum-jonske baterije su najčešći izvori napajanja za razne lične elektronske uređaje, uključujući mobilne telefone i laptopove. Njihov električni kapacitet degradira se tokom vremena, ali ne linearno. Umesto toga, nakon dugog perioda sporog i skoro linearnog pada, kapacitet ima tendenciju da počne da pada u sve većem, nelinearnom pogoršanju. Kada se nacrta kao grafikon kapaciteta u odnosu na cikluse korišćenja, najočiglednija krivina krive opadanja naziva se tačka kolena.
Tim iz Edinburga je definisao proceduru za predviđanje krive degradacije i tačke kolena u ranoj fazi, bez potrebe da prati pad kapaciteta tokom celog životnog ciklusa. Ovo bi moglo pomoći u razvoju novih baterija i praćenju zdravlja baterije.
Ključni aspekt nove metode je identifikacija ranije tačke u krivulji kapaciteta, koju istraživači nazivaju tačkom početka kolena. Ovo je novo identifikovana početna faza opadanja ka tački kolena. Algoritam istraživača, razvijen korišćenjem mašinskog učenja, može da koristi tačku početka kolena da predvidi tačku kolena, kao i kraj efektivnog veka trajanja baterije. Algoritam omogućava svakoj od ovih karakteristika da identifikuje vreme ostalih.
Bolje upravljanje baterijama, uz pomoć ove nove metode, moglo bi da uključi određivanje prioriteta i optimizaciju energije dostupne ključnim aplikacijama i optimizaciju ciklusa punjenja.