Bayangkan seorang paranormal memberi tahu orang tua Anda, pada hari Anda dilahirkan, berapa lama Anda akan hidup.Pengalaman serupa mungkin terjadi bagi ahli kimia baterai yang menggunakan model komputasi baru untuk menghitung masa pakai baterai hanya berdasarkan satu siklus data eksperimen.

Dalam sebuah studi baru, para peneliti di Laboratorium Nasional Argonne Departemen Energi AS (DOE) telah beralih ke kekuatan pembelajaran mesin untuk memprediksi masa pakai berbagai macam bahan kimia baterai yang berbeda.Dengan menggunakan data eksperimen yang dikumpulkan di Argonne dari 300 baterai yang mewakili enam jenis kimia baterai yang berbeda, para ilmuwan dapat secara akurat menentukan berapa lama baterai yang berbeda akan terus berputar.

Peneliti Argonne telah menggunakan model pembelajaran mesin untuk membuat prediksi siklus hidup baterai untuk berbagai bidang kimia.(Gambar oleh Shutterstock/Sealstep.)

Dalam algoritma pembelajaran mesin, para ilmuwan melatih program komputer untuk membuat kesimpulan pada kumpulan data awal, dan kemudian mengambil apa yang telah dipelajari dari pelatihan tersebut untuk membuat keputusan pada kumpulan data lainnya.

“Untuk setiap jenis aplikasi baterai, mulai dari telepon seluler, kendaraan listrik, hingga penyimpanan jaringan listrik, masa pakai baterai merupakan hal yang sangat penting bagi setiap konsumen,” kata ilmuwan komputasi Argonne, Noah Paulson, yang merupakan salah satu penulis studi tersebut.​“Harus mendaur ulang baterai ribuan kali hingga rusak dapat memakan waktu bertahun-tahun;metode kami menciptakan semacam dapur uji komputasi di mana kami dapat dengan cepat menentukan bagaimana kinerja berbagai baterai.”

“Saat ini, satu-satunya cara untuk mengevaluasi bagaimana kapasitas baterai berkurang adalah dengan mendaur ulang baterai,” tambah ahli elektrokimia Argonne Susan “Sue” Babinec, penulis studi lainnya.“Ini sangat mahal dan memakan waktu lama.”

Menurut Paulson, proses menentukan masa pakai baterai bisa jadi rumit.​ “Kenyataannya adalah baterai tidak bertahan selamanya, dan berapa lama baterai akan bertahan bergantung pada cara kita menggunakannya, serta desain dan bahan kimianya,” katanya.​ “Sampai saat ini, belum ada cara terbaik untuk mengetahui berapa lama baterai akan bertahan.Orang-orang pasti ingin tahu berapa lama waktu yang mereka miliki sampai mereka harus mengeluarkan uang untuk membeli baterai baru.”

Salah satu aspek unik dari penelitian ini adalah penelitian ini mengandalkan penelitian ekstensif yang dilakukan di Argonne pada berbagai bahan katoda baterai, terutama katoda berbasis nikel-mangan-kobalt (NMC) yang dipatenkan Argonne.“Kami memiliki baterai yang mewakili kimia berbeda, yang memiliki cara berbeda dalam mendegradasi dan rusak,” kata Paulson.“Nilai dari penelitian ini adalah memberi kita sinyal yang merupakan karakteristik kinerja baterai yang berbeda-beda.”

Studi lebih lanjut di bidang ini berpotensi memandu masa depan baterai lithium-ion, kata Paulson.​ “Salah satu hal yang dapat kami lakukan adalah melatih algoritme pada bahan kimia yang diketahui dan membuat prediksi pada bahan kimia yang tidak diketahui,” katanya.“Pada dasarnya, algoritme ini dapat membantu mengarahkan kita ke arah bahan kimia baru dan lebih baik yang menawarkan masa pakai lebih lama.”

Dengan cara ini, Paulson yakin bahwa algoritme pembelajaran mesin dapat mempercepat pengembangan dan pengujian material baterai.“Misalnya Anda memiliki materi baru, dan Anda memutarnya beberapa kali.Anda dapat menggunakan algoritme kami untuk memprediksi umur panjangnya, lalu membuat keputusan apakah Anda ingin terus memutarnya secara eksperimental atau tidak.”

“Jika Anda seorang peneliti di laboratorium, Anda dapat menemukan dan menguji lebih banyak materi dalam waktu lebih singkat karena Anda memiliki cara yang lebih cepat untuk mengevaluasinya,” tambah Babinec.

Makalah berdasarkan penelitian, ​”Rekayasa fitur untuk pembelajaran mesin memungkinkan prediksi awal masa pakai baterai,” muncul di Journal of Power Sources edisi online 25 Februari.

Selain Paulson dan Babinec, penulis makalah lainnya termasuk Joseph Kubal dari Argonne, Logan Ward, Saurabh Saxena, dan Wenquan Lu.

Penelitian ini didanai oleh hibah Penelitian dan Pengembangan yang Diarahkan Laboratorium Argonne (LDRD).