Theo Bloomberg New Energy Finance’s Electric Vehicle Outlook 2018 vào năm 2030, dự kiến tổng doanh số bán xe điện (EV) trên toàn thế giới sẽ vượt qua 30 triệu chiếc và các thông số chi phí cuối cùng sẽ phù hợp với động cơ đốt trong. EV đại diện cho một sự thay đổi địa chấn trong ngành công nghiệp ô tô, và tác động tiềm tàng của nó đối với hoạt động kinh doanh và môi trường là rất hấp dẫn. Ngày nay, các cuộc tranh luận về việc áp dụng và tuổi thọ của EVs đang diễn ra đầy rẫy và không gì khác ngoài hiệu suất tiềm năng của pin EV. Đối với các nhà khoa học, vẫn còn nhiều thách thức - bao gồm độ an toàn của pin, mật độ năng lượng, khả năng sạc và hiệu suất của chúng trong ô tô.
Trong tính năng này, Tiến sĩ Doron Myersdorf, Giám đốc điều hành của StoreDot, khám phá cách AI có thể nắm giữ chìa khóa để giải quyết những vấn đề này và tiềm năng của cách tiếp cận này đối với tương lai của lưu trữ năng lượng và xe điện.
Cổ phần cho thị trường pin toàn cầu là rất cao. Theo Tổng giám đốc của DG Connect tại Ủy ban châu Âu Roberto Viola, ước tính nó sẽ đạt giá trị hơn 250 tỷ bảng Anh mỗi năm từ năm 2025, với khả năng tạo ra 4 triệu việc làm chỉ riêng ở EU. Những loại pin này, vốn đã rất cần thiết cho hầu hết các mặt hàng tiêu dùng, sẽ còn quan trọng hơn đối với xe điện, với việc áp dụng rộng rãi sẽ ảnh hưởng đến hiệu suất.
“Hiện tại, không có nhà sản xuất ô tô hoặc pin nào có thể cung cấp loại pin EV sạc nhanh như đổ đầy bình của một chiếc xe chạy bằng nhiên liệu hóa thạch truyền thống, cũng như không thể cung cấp cùng một phạm vi hoạt động. Ví dụ, Volkswagen e-Up cung cấp 99 km khi sạc đầy và Tesla Model S 100D có phạm vi 335 dặm khi sạc đầy. Tuy nhiên, không loại xe nào trong số này có thể được sạc đầy chỉ trong vài phút. Ngày nay, một trạm siêu nạp của Tesla sẽ mất 75 phút để sạc đầy, trong khi SP Group, mạng lưới xe điện lớn nhất ở Singapore, chỉ mất nửa giờ.
“Tiềm năng của pin lithium-ion để giải quyết một số vấn đề này là rất lớn. Tuy nhiên, có một số thách thức với pin lithium-ion ngăn cản việc sạc nhanh - từ nhu cầu mật độ năng lượng cao hơn, đến hiệu suất tốc độ ưu việt và các yêu cầu an toàn được cải thiện. Việc khắc phục các vấn đề trong hóa học pin là một quá trình nghiên cứu chậm, phần lớn dựa vào thiết kế lặp đi lặp lại các thử nghiệm và thử nghiệm và sai sót có hệ thống. Thật vậy, nhiều tiến bộ mới đã thất bại trước khi chúng được tung ra thị trường.
“Trong các cơ sở R &D chẳng hạn như của chúng tôi, những người thu thập thông tin từ các tế bào pin mỗi giây; thông tin này bao gồm các thông số hiệu suất quan trọng như nhiệt độ tế bào, điện trở thời gian thực, cửa sổ điện áp hoạt động, dòng điện sạc và phóng điện và mức độ phồng. Thông tin được thu thập đồng thời từ hàng nghìn pin với hàng chục terabyte dữ liệu được thu thập cho mỗi thử nghiệm. Do đó, số lượng kết hợp cho những vật liệu này là vô tận, và số lượng thí nghiệm cần thiết để kiểm tra từng sự kết hợp là như nhau. Nó cực kỳ khó giải quyết bằng các phương pháp thống kê hoặc thủ công truyền thống.
“Tuy nhiên, một cách tiếp cận toàn diện để sử dụng khoa học dữ liệu trong phát triển pin có thể là chìa khóa để giải quyết các mô hình phức tạp như vậy. Trí tuệ nhân tạo (AI) là một từ phổ biến ngày nay. Nói một cách đơn giản, AI, hay máy học, có thể đánh giá thông tin và xây dựng mô hình toán học với tốc độ nhanh hơn nhiều so với não người. AI có nghĩa là các hệ thống có thể tự động học hỏi và cải thiện từ kinh nghiệm mà không cần được lập trình rõ ràng.
“Tác động hiện tại và tiềm năng của AI trên nhiều ngành là đáng kinh ngạc. Trong sản xuất, một số công ty lớn nhất thế giới đã và đang sử dụng AI với kết quả ấn tượng. Ví dụ:Hệ thống sản xuất thông minh của Royal Dutch Shell sử dụng AI để dự đoán nhu cầu về dầu, đo lường sự thiếu hụt nguồn cung và phân tích hỗn hợp / hỗn hợp chính xác để có quy trình lọc dầu chính xác. BASF và SAP đã tuyên bố đã tự động hóa 94% quá trình xử lý thanh toán của mình bằng AI. Tiềm năng ứng dụng của AI rất rộng rãi -
từ thiết kế và tổng hợp vật liệu, đến thiết kế thí nghiệm, phân tích lỗi và giảm thiểu chất thải. Với AI, khoa học thông minh hơn với những đột phá có ý nghĩa là hoàn toàn có thể.
“Không thể phủ nhận tác động của điều này đối với sự phát triển của pin. Công nghệ này có thể duyệt qua hàng triệu bản ghi để mô tả mối quan hệ giữa dữ liệu đo được và thông số pin. Với tư cách là nhà sản xuất, chúng tôi có thể sử dụng điều này để kiểm tra hàng triệu sự kết hợp của chất điện phân, cực dương và cực âm tại bất kỳ thời điểm nào.
“Các nhà khoa học không chỉ có thể đánh giá các loại pin đang trong quá trình phát triển mà còn có thể học hỏi từ các loại pin trước đó để hiểu rõ hơn về cấu hình hoạt động hiệu suất của chúng và đề xuất giải pháp tối ưu. Khả năng nhanh chóng kiểm tra sự kết hợp vô hạn, có nghĩa là công thức cuối cùng của các vật liệu được sử dụng để tạo ra tế bào pin đạt được xa hơn, nhanh hơn rất nhiều. Điều này làm giảm đáng kể số lượng thí nghiệm cần thiết, do đó cắt giảm đáng kể thời gian phát triển, cũng như giảm đáng kể chi phí phát triển. Ví dụ:một nhóm gồm 50 nhà nghiên cứu làm việc trên một công thức pin cụ thể, có thể tiết kiệm tới 1 triệu đô la cho các nỗ lực R&D mỗi tháng bằng cách triển khai khả năng học máy. ”
“Tại StoreDot, một bước đột phá ban đầu vào kỹ thuật này đã mang lại kết quả đáng kể. Ví dụ:đối với thế hệ đầu tiên của công nghệ FlashBattery sạc cực nhanh, với công nghệ máy học, nhóm của chúng tôi đã phát hiện ra rằng một vài thay đổi đơn giản trong quá trình hình thành có thể tăng gấp đôi số chu kỳ của pin đang được phát triển từ 300 lên hơn 600 chu kỳ. Chính khám phá này đã truyền cảm hứng cho StoreDot phát triển và cống hiến toàn bộ nhóm R&D chỉ để xây dựng khả năng của chúng tôi trong lĩnh vực máy học. Kết quả ấn tượng này hiện đang được áp dụng cho thế hệ pin tiếp theo của chúng tôi dành cho xe điện. Sạc siêu nhanh đưa ra một vấn đề rất phức tạp - trong phương pháp luận về pin truyền thống, chúng tôi thường chỉ thay đổi một thành phần, nhưng ở đây chúng tôi có thể cần phải thay đổi nhiều hơn nữa để đạt được bước đột phá mong muốn. Bằng cách kết hợp khoa học dữ liệu sáng tạo, được hỗ trợ bởi AI, với chuyên môn về điện hóa, cấu trúc tế bào, cực dương, cực âm và chất điện phân, có thể đưa ra các kết luận phức tạp hơn nhiều.
“Rõ ràng, lợi ích của việc học máy trong quá trình R&D là vô giá. Tuy nhiên, đây không phải là cách duy nhất mà AI có thể được thực hiện để nâng cao EV. Một ứng dụng rất khác biệt và hấp dẫn của máy học sẽ là triển khai nó trong phần mềm vận hành EV, để liên tục theo dõi hiệu suất và sức khỏe của pin, đo lường dữ liệu thời gian thực, học hỏi từ đó và lưu chuyển nó trở lại để cải thiện hiệu suất của sản phẩm. Hơn nữa, bằng cách tạo ra các loại pin thông minh hơn với khả năng cảm biến được nhúng và với các chức năng tự phục hồi, hệ thống quản lý pin có thể nhận biết được 'trạng thái sức khỏe' của chúng và thậm chí có thể trẻ hóa các tế bào hoặc mô-đun pin khi cần thiết.
“Cuối cùng, bằng cách cho phép các nhà đổi mới thay đổi nhiều thành phần cùng một lúc và phân tích bằng chứng nhanh hơn, họ có thể đưa ra kết luận mà phân tích thống kê truyền thống không thể thực hiện được. Bằng chứng này cho phép chu kỳ phát triển nhanh hơn và khả năng khắc phục các vấn đề mà có thể không giải quyết được. Đối với việc áp dụng xe điện, khả năng này là tối quan trọng trong việc giải quyết một trong những rào cản lớn nhất của người tiêu dùng, "sự lo lắng về phạm vi". Bằng cách giảm thời gian sạc pin bằng cách sử dụng công nghệ máy học, theo nghĩa đen, toàn bộ ngành công nghiệp xe điện có thể được đại tu. ”
Tất cả đều bắt đầu ... bằng pin.
Tương lai của phương tiện sử dụng lưới điện EV Sạc
Cơ hội nghề nghiệp trong ngành xe điện ở Ấn Độ
Pin ở đâu trong Audi A4?