Le système basé sur l’apprentissage profond ouvre los angeles voie à une évaluation efficace de l’état de los angeles batterie

Alors que le marché des véhicules électriques proceed de croître, los angeles valorisation des batteries usagées devient de plus en plus critique. Une équipe de chercheurs, dirigée par le professeur Dongyuk Kim et le professeur Eunseok Choi de l’École d’ingénierie énergétique et chimique de l’UNIST, ainsi que le professeur Hankun Lim de l’École supérieure de neutralité carbone de l’UNIST, a développé DeepSUGAR pour aider à relever ce défi.

Ce cadre avancé basé sur l’apprentissage profond suggest une nouvelle approche pour estimer l’état de santé (SoH) des batteries épuisées, améliorant ainsi l’efficacité et réduisant los angeles consommation d’énergie.

Les résultats de l’étude ont été publiés dans los angeles model électronique de Magazine de chimie des matériaux A.

Les tactics actuelles d’évaluation des batteries usagées impliquent une estimation séparée du SoH du bloc-batterie et de ses modules individuels, ce qui entraîne un manque d’efficacité en termes de temps et une consommation d’énergie over the top. DeepSUGAR relève ces défis en utilisant un algorithme génératif basé sur des tactics de représentation graphique, permettant d’estimer l’état de santé de chaque module en fonction du SoH de los angeles batterie.

L’équipe de recherche a analysé les profils de rotation du faisceau 14S7P et de ses unités composantes, et a formé un réseau neuronal convolutif (CNN) pour estimer le SoH en définissant spatialement les courbes de rotation. DeepSUGAR, formé sur les données par paquets, a montré des performances exceptionnelles avec une erreur quadratique moyenne (RMSE) de 5,31 × 10^-3. Les assessments de validation utilisant des données unitaires ont donné un RMSE de 7,38 × 10^-3, ce qui confirme los angeles possibilité de son software. De plus, les profils de cyclisme modulaires générés à partir du bundle SoH à l’aide du modèle génératif profond ont montré des performances exceptionnelles avec un RMSE de 8,38 × 10.^-3.

DeepSUGAR offre plusieurs avantages clés, notamment une réduction de los angeles consommation d’énergie, des coûts de traitement et des émissions de CO2, en intégrant des diagnostics au niveau de l’unité dans le processus d’évaluation au niveau du bundle. Cette technologie avancée a le potentiel d’avoir un affect significatif sur los angeles gestion de l’état des batteries, automotive elle peut diagnostiquer l’état de santé des batteries épuisées sans se limiter au sort d’appareil.

“Nous avons créé un système de vérification qui peut déterminer si une batterie usagée est recyclable sans démonter los angeles batterie”, a expliqué le professeur Dongyuk Kim. “DeepSUGAR photographs chargeant et déchargeant les données, permettant de déterminer l’état de santé de los angeles batterie.”

Les capacités de DeepSUGAR s’étendent au-delà du recyclage des batteries. En prédisant l’état de santé des modules internes grâce aux diagnostics du bundle, cette technologie a le potentiel d’améliorer les performances de los angeles batterie dans diverses packages, contribuant ainsi à l’énergie verte à l’avenir.