Snabbare batteriutveckling tack vare AI?

Att artificiell intelligens (AI) är ett viktigt verktyg i utvecklingen av elfordon och autonoma fordon är inget nytt; körmönster, förarbeteende, optimering av laddning, etc. Inte heller är det något nytt att AI är ett verktyg för batteriutvecklingen. I dagens nyhetsbrev ger vi några exempel på hur detta görs idag: optimerade cellmaterial, cellproduktion och batteristyrning, allt för billigare, säkrare och hållbarare batterier. Men även för en billigare och snabbare innovationsprocess.

Battery Genome – amerikanskt bibliotek och europeiska gränser

Ett medel för bättre batterier är att förbättra de aktiva materialen; antingen genom att förfina och optimera befintliga kemier eller genom att hitta helt nya. Att snabbare hitta dessa material ska resultera i billigare och hållbarare battericeller för fordon (och andra applikationer): Co-fria material för Li-jonbatterier, andra batteriteknologier än Li-jon och kan vara en förutsättning för att fastfasbatterier ska bli verklighet. Men även att hitta säkrare och bättre elektrolyter för dagens och morgondagens koncept. I allt detta har man hjälp av AI och något som amerikanska batteriforskningsnätverket Joint Centre for Energy Storage Research (JCESR) redan drog i gång redan 2011 – the Materials Project and Electrolyte Genome. Vi har tidigare skrivit om JCESR.

JCESR använder ett beräkningsverktyg som baseras på en databas med runt etthundratusen aktiva elektrodmaterial som man gjort diverse beräkningar på för att studera respektive materials egenskaper. Mycket kretsar kring atomstrukturen hos materialen och potentialen för att cykla litiumjoner (eller någon annan jon), samt vilken cellspänning materialet skulle kunna ge. På liknande sätt har JCESR relativt nyligen tagit sig an elektrolyten och har i dagsläget ca. 26.000 molekyler i databasen.

Nästa steg framåt från att ta fram potentiellt intressanta elektrod- och elektrolytmaterial är att förstå hur dessa material samverkar i en battericell. Detta kommer att behandlas brett inom BATTERY 2030+, EUs stora forskningssatsning kring framtidens batterilösningar. omEV fick en intervju med Kristina Edström i Uppsala (som leder BATTERY 2030+) där hon bland annat berättar om Battery Interface Genome och Material Accelerating Platform (BIG-MAP) (du kan lyssna här) och där maskininlärning och AI är centrala verktyg.

Genom att använda AI kan man drastiskt reducera antalet experiment och korta ledtiderna inom R&D avsevärt. Under juni blev det klart med EU-finansiering till ett stort projekt inom BATTERY 2030+ relaterat till just BIG-MAP (big-map.eu) och det syftar till att snabba på materialutvecklingen rejält, med en faktor 5-10, men även till att de resulterande battericellerna har en hög verkningsgrad, är tillverkade av hållbara material och till en låg kostnad och detta på 5-10 år. Specifikt är syftet att “develop a common European data infrastructure and cooperative workflows capable of autonomously collecting, processing and using data from all areas of the battery development cycle”. Projektet är på tre år och leds av DTU i Danmark. Totalt är 34 partners med och från Sverige är Northvolt, Chalmers och Uppsala Universitet med i projektet.

Optimerade celler en nyckel till elbilens räckvidd, livslängd, kostnad och säkerhet

När man idag tillverkar battericeller har man sjuttioelva olika parametrar att ta hänsyn till. Utvecklingen har kommit till det läge att man börjar optimera elektroderna för en given applikation baserat på energi- och effektbehov. Det rör sig om partikelstorleken och morfologin hos de aktiva materialen, porositeten och tjockleken hos den färdiga elektroden, osv. Allt påverkar tillverkningsprocessen och en central del där är hur man gör en bra slurry för sin elektrodproduktion, men även andra steg påverkas. Givetvis gäller det att ha koll på alla steg och där kan AI hjälpa till för att varje steg (och helheten) ska bli så optimalt som möjligt. Man kombinerar fysikaliska modeller med olika AI-algoritmer och riktade experiment. Resultatet blir att det lättare går att förutspå hur de olika valen och produktionsparametrarna påverkar prestandan hos den slutgiltiga battericellen.

Under sista veckan i juni hölls en seminarieserie ”Battery Manufacturing Webinar Series” där de olika aspekterna kring AI och cellproduktion diskuterades. Här kan du se vilka ämnen som diskuterades.

Livslängdsprediktering och Big Data

Nästa steg i utvecklingen är att få fram robusta modeller för att skatta olika tillståndsfunktioner för att kunna styra batterierna på ett optimalt sätt för att öka livslängden och inte äventyra säkerheten: t.ex. laddningstillståndet (SOC) och hälsotillståndet (SOH). Med hjälp av AI kan modeller utvecklas som tillräckligt noga kan prediktera livslängden genom att utgå från cyklingsdata som erhållits från ett mindre antal cykler i början av batteriets liv – dvs. man behöver inte testa cellerna i åratal. Testningen är både dyr och tidskrävande och med sofistikerade AI-algoritmer och riktade experiment kan tillräcklig information fås på en bråkdel av tiden det normalt sett tar. [1-3]

Ytterligare hjälp i livslängdsprediktionen kan vara olika typer av sensorer och adaptiva styralgoritmer. Tillsammans optimeras användningen av batterierna i både första och andra applikationen. Stora datamängder kan användas för prediktering, dock gäller det att få rätt typ av data. LG Chem är en av många som just använder ’big data’ från laddstationer för att optimera laddningen (smart charging) och ta fram nya underhållsverktyg [4]. Ifjol pratade omEV med några aktörer kring batteristyrning (du kan lyssna här) där bland annat EV Ledger pratade om möjligheter med AI och blockkedjeteknologi som verktyg för att t.ex. spåra ursprunget av kobolt i battericellerna. Även Volvo Cars har annonserat samarbete med Circulor för just detta [5].

Egna kommentarer

Den första boken skriven mer eller mindre helt av en AI-algoritm är en bok som handlar om forskningsläget kring Li-jonbatterier [6]. Kanske inte den bästa boken, men ändå… och att förlaget väljer just batterier för denna maskin-genererade bok säger väl en del om hur hett området är…

AI och komplexa komponenter känns som en bra kombo. En viktig parameter är att de tester som ligger till grund är ’standardiserade’ på något sätt så att rätt data används. Att bestämma livslängden för nya batterikemier och -koncept med hjälp av AI ska bli intressant att följa. Känns lite som att ta in alla löpares resultat från en uppsjö av löpartävlingar på kortare distanser och sedan säga vad segrartiden (plus minus några få %) kommer bli på Stockholm maraton 2035…

Att utvecklingstiden kan kortas är nog alla intresserade av. Dock gäller det att komma ihåg att om det går drastiskt snabbare att få fram intressanta material betyder inte per automatik att det går snabbare att ta fram en fungerande cell eller batteripack…

[1] Data-driven prediction of battery cycle life before capacity degradation (länk)

[2] Lithium-ion battery modeling based on Big Data (länk)

[3] New machine learning method from Stanford, with Toyota researchers, could accelerate battery development for EVs (länk)

[4] LG Chem partners with GS Caltex to develop big data-based battery services (länk)

[5] Volvo invests in blockchain group to track electric battery materials (länk)

[6] Lithium-Ion Batteries: A Machine-Generated Summary of Current Research (länk)