Predictive parametric inference of lithium-ion battery degradation trajectory through high-throughput physics-based simulation

تُعد البطاريات بمثابة نبضات القلب الصامتة للحياة الحديثة، فهي تمد كل شيء بالطاقة، بدءاً من الهواتف الذكية في جيوبنا وصولاً إلى السيارات الكهربائية على طرقاتنا. ومع ذلك، وكأي نظام حي، فإنها تشيخ. فمع مرور الوقت، تتحلل المواد الكيميائية داخل بطارية الليثيوم أيون ببطء، مما يفقدها القدرة على الاحتفاظ بالشحن حتى يتوقف الجهاز عن العمل في النهاية. ويعد التنبؤ بالوقت الذي سيحدث فيه ذلك بدقة تحدياً حرجاً للمهندسين والعلماء؛ فإذا تمكنا من التنبؤ بعمر البطارية بدقة، يمكننا تصميم مركبات كهربائية أكثر أماناً وإدارة شبكات الطاقة بكفاءة أكبر. تكمن المشكلة في أن البطاريات أنظمة كيميائية معقدة، ومراقبة شيخوختها في الواقع تستغرق سنوات من الاختبارات البطيئة والمكلفة. إن النماذج الحاسوبية التقلية التي تحاول محاكاة هذه العمليات الكيميائية مفصلة للغاية، لكنها أيضاً بطيئة جداً لدرجة أن تشغيلها آلاف المرات للوصول إلى الإجابة الصحيحة هو أمر مستحيل عملياً.

لقد وجد فريق من الباحثين من جامعة بوليتكنيك هونج كونج ومؤسسات أخرى طريقة لتسريع هذه العملية دون فقدان الدقة العلمية اللازمة لفهم ما يحدث داخل البطارية. فقد طوروا طريقة جديدة تجمع بين القوانين الفيزيائية العميقة التي تحكم كيمياء البطارية وسرعة الذكاء الاصطناعي الحديث. وبدلاً من تشغيل عمليات محاكاة بطيئة وثقيلة في كل مرة يحتاجون فيها إلى تنبؤ، قاموا بتدريب برنامج حاسوبي ذكي ليعمل كنسخة "تسريع زمني" لتلك المحاكاة. تعلم هذا البرنامج أنماط كيفية شيخوخة البطاريات من خلال دراسة آلاف الأمثلة التي أنتجتها النماذج التفصيلية البطيئة. وبمجرد تدريبه، استطاع هذا "المحاكي" (emulator) أن يتنبأ فوراً بكيفية تدهور البطارية بناءً على إعداداتها الكيميائية الداخلية. ثم استخدم الباحثون هذه الأداة السريعة للعمل بشكل عكسي: فمن خلال النظر في الأداء المبكر للبطارية، استطاعوا استنتاج المعلمات الكيميائية الخفية التي تقود عملية الشيخوخة، ومن ثم توقع عمرها المستقبلي بالكامل بدقة مذهلة.

يعالج جوهر هذا العمل صعوبة أساسية في علم البطاريات: لا يمكننا قياس المعدلات الكيميائية المحددة التي تسبب موت البطارية بسهولة أثناء استخدامها. يمكننا رؤية البطارية وهي تفقد سعتها، لكن لا يمكننا رؤية التفاعلات المجهرية مباشرة، مثل تراكم طبقة واقية على القطب أو تشكل رواسب الليثيوم غير المرغوب فيها، والتي تسبب هذا الفقدان. ولأننا لا نستطيع قياس هذه الأمور مباشرة، يضطر العلماء غالباً إلى تخمين قيم هذه المعلمات الخفية لجعل نماذجهم تتطابق مع الواقع. وتعتبر هذه أحجية صعبة لأن العديد من التركيبات المختلفة من المعلمات الخفية يمكن أن تنتج نفس النتيجة المرئية، مما يجعل من الصعب معرفة أي منها هو الصحيح فعلياً. لقد عالج الباحثون ذلك بإنشاء مكتبة ضخمة من سلوكيات البطارية المحتملة؛ حيث استخدموا نموذجاً فيزيائياً مفصلاً لمحاكاة كيفية شيخوخة البطارية تحت آلاف السيناريوهات المختلفة، مع تغيير ستة عوامل كيميائية رئيسية تتحكم في التدهور. وشملت هذه العوامل أشياء مثل سرعة نمو الطبقة الواقية، والسرعة التي قد يترسب بها معدن الليثيوم على القطب، أو كيف يمكن لمادة القطب أن تتشقق أو تفقد قدرتها على تخزين الطاقة.

من خلال هذه الآلاف من عمليات المحاكاة، قام الباحثون بتدريب شبكة عصبية، وهي نوع من أنواع الذكاء الاصطناعي، لتعلم العلاقة بين تلك العوامل الكيميائية الخفية ومنحنيات التدهور الناتجة. فكر في هذه الشبكة العصبية كمترجم ماهر يمكنه فوراً تحويل مجموعة من الإعدادات الكيميائية إلى عمر بطارية متوقع. وبمجرد بناء هذا المترجم، أصبح بإمكانه تقييم ملايين الاحتمالات في ثوانٍ، وهي مهمة كانت ستستغرق سنوات باستخدام طريقة المحاكاة البطيئة الأصلية. ثم طبق الباحثون هذه الأداة على بيانات واقعية من بطاريات تم اختبارها في جامعة تونغشي؛ حيث أخذوا منحنيات التدهور الفعلية لهذه البطاريات واستخدموا محاكيها السريع لإيجاد مجموعة المعلمات الكيميائية الخفية التي تتوافق بشكل أفضل مع السلوك الواقعي. ومن خلال استخدام نهج إحصائي يأخذ في الاعتبار القيود الفيزيائية لكيفية عمل البطاريات، تمكنوا من تضييق الاحتمالات للوصول إلى المجموعة الأكثر احتمالاً من الأسباب لكل نمط شيخوخة خاص بكل بطارية.

جاء الاختبار الحقيقي لهذه الطة عندما حاول الباحثون التنبؤ بمستقبل البطاريات باستخدام جزء ضئيل فقط من حياتها. ففي كثير من الحالات الواقعية، لا نملك سوى بضعة أشهر من البيانات حول بطارية جديدة ونحتاج إلى معرفة كيفية أدائها في العقد القادم. قام الفريق بتغذية نظامهم فقط بأول 5% إلى 15% من عمر البطارية، وهي الفترة التي تكون فيها البطارية لا تزال شبه كاملة الشحن. ثم استنتج النظام المعلمات الكيميائية الخفية التي تقود هذا التدهور المبكر واستخدم محاكيه السريع لتوقع بقية عمر البطارية. كانت النتائج مذهلة؛ فعند التنبؤ بعدد الدورات التي ستستمرها البطارية قبل أن تنخفض إلى 80% من سعتها الأصلية، ارتكب منهجهم القائم على الفيزياء خطأً قدره حوالي 59 دورة في المتوسط فقط. وفي المقابل، سجلت أفضل الطرق القائمة على البيانات الموجودة حالياً، والتي تعتمد فقط على الأنماط في البيانات دون فهم الفيزياء الكامنة، أخطاءً تقترب من 80 دورة. وقد أصبحت هذه الفجوة أكثر وضوحاً عندما حاول الباحثون التنبؤ بالمستقبل من خلال أول 5% فقط من عمر البطارية، وهو سيناريو تكون فيه البيانات شحيحة للغاية.

كما كشفت الدراسة أن الطريقة لم تكن دقيقة فحسب، بل كانت منطقية من الناحية الفيزيائية أيضاً. فعندما نظر الباحثون في المعلمات التي استنتجها نظامهم للبطاريات التي اختُبرت في درجات حرارة مختلفة، تطابقت النتائج مع ما يعرفه العلماء بالفعل عن كيمياء البطاريات. فعلى سبيل المثال، حدد النظام بشكل صحيح أن درجات الحرارة المرتفلة تؤدي إلى نمو أسرع للطبقة الواقية وتغيرات في كيفية سلوك الليثيوم، وهي آثار فيزيائية معروفة. كما أظهر النظام أن الضرر الذي يلحق بمادة القطب، والذي يحدث عادة في مراحل متأخرة من حياة البطارية، كان أقل وضوحاً في مجموعة درجات الحرارة المرتفعة، وهو ما يتوافق مع ملاحظة أن تلك البطاريات استمرت لفترة أطول في المراحل المتأخرة. وتؤكد هذه الاتساقية أن النظام لا يقوم بمجرد حفظ البيانات، بل يتعلم في الواقع القواعد الأساسية لكيفية تدهور البطاريات.

بينما أظهرت الطريقة وعداً كبيراً، فقد كان الباحثون حذرين في الإشارة إلى حدودها. فدقة تنبؤاتهم تعتمد كلياً على مدى تغطية المكتبة الأولية للمحاكاة للعالم الحقيقي؛ فإذا تدهورت بطارية بطريقة لم تكن مدرجة في عمليات المحاكاة التدريبية الخاصة بهم، فقد لا يتمكن النظام من التنبؤ بها بشكل صحيح. وقد لاحظوا أنه في مجموعة محددة من البطاريات التي اختُبرت عند درجة حرضاء منخفضة، لم تتطابق المحاكاة تماماً مع التلاشي المتسارع الملاحظ في البيانات الواقعية، مما يشير إلى أن بعض مسارات التدهور كانت مفقودة من نموذجهم. ومع ذلك، يوفر هذا الإطار مساراً قوياً للمضي قدماً؛ فمن خلال نقل العمل الحسابي الثقيل إلى مرحلة "خارج الخط" (offline) حيث يتم إنشاء عمليات المحاكاة لمرة واحدة، يسمح النظام بإجراء تحليل سريع وعالي السرعة لصحة البطارية كان مستحيلاً في السابق. يقدم هذا النهج طريقة لسد الفجوة بين الفهم التفصيلي البطيء للفيزياء والاحتياجات السريعة والمتعطشة للبيانات لإدارة البطاريات الحديثة، مما قد يساعد المهندسين في تصميم بطاريات تدوم لفترة أطول ويمنح المستخدمين صورة أوضح حول المدة التي ستستغرقها أجهزتهم للعمل.