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

Dalam sebuah studi baru, para peneliti di Laboratorium Nasional Argonne Departemen Energi AS (DOE) telah memanfaatkan kekuatan pembelajaran mesin untuk memprediksi masa pakai berbagai macam jenis kimia baterai. Dengan menggunakan data eksperimental 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 beroperasi.

Para peneliti Argonne telah menggunakan model pembelajaran mesin untuk membuat prediksi masa pakai siklus baterai untuk berbagai macam jenis kimia baterai. (Gambar oleh Shutterstock/Sealstep.)

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

“Untuk setiap jenis aplikasi baterai yang berbeda, mulai dari ponsel hingga kendaraan listrik hingga penyimpanan energi jaringan listrik, masa pakai baterai sangat penting bagi setiap konsumen,” kata ilmuwan komputasi Argonne, Noah Paulson, salah satu penulis studi tersebut. “Mengoperasikan baterai ribuan kali hingga rusak dapat memakan waktu bertahun-tahun; metode kami menciptakan semacam laboratorium uji komputasi di mana kami dapat dengan cepat menentukan bagaimana kinerja baterai yang berbeda.”

“Saat ini, satu-satunya cara untuk mengevaluasi bagaimana kapasitas baterai menurun adalah dengan benar-benar melakukan siklus pengisian dan pengosongan baterai,” tambah ahli elektrokimia Argonne, Susan “Sue” Babinec, salah satu penulis studi tersebut. “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 bertahan tergantung pada cara kita menggunakannya, serta desain dan kimianya,” katanya. “Sampai sekarang, belum ada cara yang tepat untuk mengetahui berapa lama baterai akan bertahan. Orang-orang pasti ingin tahu berapa lama waktu yang mereka miliki sebelum harus mengeluarkan uang untuk membeli baterai baru.”

Salah satu aspek unik dari penelitian ini adalah bahwa penelitian ini bergantung pada pekerjaan eksperimental ekstensif yang dilakukan di Argonne pada berbagai material katoda baterai, terutama katoda berbasis nikel-mangan-kobalt (NMC) yang dipatenkan oleh Argonne. “Kami memiliki baterai yang mewakili berbagai jenis kimia, yang memiliki cara degradasi dan kegagalan yang berbeda,” kata Paulson. “Nilai dari penelitian ini adalah memberikan kami sinyal yang karakteristik tentang bagaimana kinerja baterai yang berbeda.”

Studi lebih lanjut di bidang ini berpotensi untuk memandu masa depan baterai lithium-ion, kata Paulson. “Salah satu hal yang dapat kami lakukan adalah melatih algoritma pada kimia yang sudah dikenal dan membuatnya membuat prediksi pada kimia yang belum dikenal,” katanya. “Pada dasarnya, algoritma tersebut dapat membantu mengarahkan kita ke arah kimia baru dan yang lebih baik yang menawarkan masa pakai lebih lama.”

Dengan cara ini, Paulson percaya bahwa algoritma pembelajaran mesin dapat mempercepat pengembangan dan pengujian material baterai. ​“Misalnya, Anda memiliki material baru, dan Anda mengujinya beberapa kali. Anda dapat menggunakan algoritma kami untuk memprediksi umur pakainya, dan kemudian membuat keputusan apakah Anda ingin terus mengujinya secara eksperimental atau tidak.”

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

Sebuah makalah berdasarkan penelitian tersebut, ​“Rekayasa fitur untuk pembelajaran mesin memungkinkan prediksi dini masa pakai baterai.,” muncul dalam edisi daring Journal of Power Sources pada 25 Februari.

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

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