`

СПЕЦИАЛЬНЫЕ
ПАРТНЕРЫ
ПРОЕКТА

Архив номеров

Что для вас является метрикой простоя серверной инфраструктуры?

Best CIO

Определение наиболее профессиональных ИТ-управленцев, лидеров и экспертов в своих отраслях

Человек года

Кто внес наибольший вклад в развитие украинского ИТ-рынка.

Продукт года

Награды «Продукт года» еженедельника «Компьютерное обозрение» за наиболее выдающиеся ИТ-товары

 

Машинное обучение применили для прогнозирования срока работы батарей

+11
голос

Машинное обучение применили для прогнозирования срока работы батарей

Учёные из Стэнфордского университета, Массачусетского технологического института и Исследовательского института компании Toyota показали, что при наличии достаточных экспериментальных данных искусственный интеллект позволяет точно прогнозировать сроки эксплуатации литий-ионных батарей.

Как правило, емкость литий-ионной батареи некоторое время остаётся стабильной, а затем происходит быстрое ухудшение. В этом проекте батареи работали от 150 до 2300 циклов. Такой широкий разброс был частично обусловлен испытаниями различных методов быстрой зарядки, но также и вариациями производственного процесса.

Модель машинного обучения, которую авторы исследования натренировали на нескольким сотнях миллионов точек данных, смогла предсказывать количество оставшихся циклов зарядки-разрядки для каждой батареи на основании динамики снижения рабочего напряжения и нескольких других параметров.

Эти прогнозы делались на ранней стадии эксплуатации батареи, причём отличие реального количества циклов от предсказанного не превышало 9%. В качестве конца полезной жизни батареи авторы приняли снижение её энергоёмкости на 20%.

В отдельном эксперименте ИИ-алгоритм анализировал работу батарей на протяжении пяти первых циклов, а затем разделял их по ожидаемому сроку жизни на две категории – кратко– и долгосрочную. Сделанный прогноз оказывался верен в 95% случаев.

Этот метод машинного обучения был описан в публикации журнала Nature Energy от 25 марта. Его применение может ускорить разработку новых типов батарей, уменьшить себестоимость производства и ускорить, на порядок величины, самый длительный этап – тестирование батарей.

Авторы статьи выложили в открытом доступе использовавшийся массив данных, который является крупнейшим в своём роде. Разработанную модель они теперь используют для поиска путей наиболее эффективной зарядки батарей за 10 минут.


Вы можете подписаться на наш Telegram-канал для получения наиболее интересной информации

+11
голос

Напечатать Отправить другу

Читайте также

 
 
IDC
Реклама

  •  Home  •  Рынок  •  ИТ-директор  •  CloudComputing  •  Hard  •  Soft  •  Сети  •  Безопасность  •  Наука  •  IoT