A Repeated Measurements Approach to Battery Modelling of Cyclic Aged Data in a Laboratory Environment
यह शोध पत्र प्रयोगशाला-आयुक्षित चक्रीय डेटा में मापन शोर और सेल-टू-सेल भिन्नता के बीच अंतर करके, बैटरी के स्वास्थ्य की स्थिति (SoH) की ±0.191% की सटीकता के साथ सटीक भविष्यवाणी करने के लिए नियमितीकृत पुनरावृत्ति सामान्यीकृत न्यूनतम वर्ग (regularised iterative generalised least squares) का उपयोग करते हुए एक नवीन प्रथम-क्रम रैखिकीकृत गैर-रेखीय बार-बार मापन मॉडल प्रस्तुत करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
बैटरी आधुनिक दुनिया के मौन इंजन हैं, जो हमारी जेबों में रखे फोन से लेकर हमारी सड़कों पर चलने वाली कारों तक सब कुछ संचालित करती हैं। फिर भी, सभी जीवित चीजों की तरह, वे भी उम्र लेती हैं। समय के साथ, एक बैटरी सेल के भीतर होने वाली रासायनिक प्रतिक्रियाएं कम होने लगती हैं, जिससे इसकी ऊर्जा धारण करने की क्षमता नई बैटरी की तुलना में कम हो जाती है। वैज्ञानिक इसे "स्टेट ऑफ हेल्थ" (स्वास्थ्य की स्थिति) कहते हैं, जो इस बात का माप है कि बैटरी के विफल होने से पहले उसमें कितनी जीवन शक्ति शेष है। बैटरी के ठीक कैसे और क्यों खराब होने की प्रक्रिया को समझने के लिए, शोधकर्ता प्रयोगशाला सेटिंग में बैटरी सेल्स को चार्जिंग और डिस्चार्जिंग के बार-बार दोहराए जाने वाले चक्रों के अधीन रखकर इस प्रक्रिया को घटित होते देख सकते हैं, ठीक वैसे ही जैसे एक हृदय धड़कता है। हालांकि, केवल एक बैटरी को बूढ़ा होते देखना पर्याप्त नहीं है; बैटरी के जीवन की वास्तविक प्रकृति को समझने के लिए, वैज्ञानिकों को एक साथ कई बैटरियों को देखना चाहिए, यह ट्रैक करते हुए कि वे समय के साथ कैसे बदलती हैं और वे एक-दूसरे से कैसे भिन्न होती हैं। चुनौती स्वयं डेटा में निहित है: यह केवल यादृच्छिक बिंदुओं का संग्रह नहीं है, बल्कि जुड़े हुए कहानियों की एक श्रृंखला है, जहाँ प्रत्येक बैटरी के पतन का अपना अनूकठा पथ होता है, जो परीक्षण की स्थितियों और उसकी अपनी आंतरिक विशिष्टताओं दोनों से प्रभावित होता है।
हाल ही में एक अध्ययन में, लफबरो यूनिवर्सिटी और ऑक्सफोर्ड ब्रूक्स यूनिवर्सिटी के शोधकर्ताओं ने बैटरी के उम्र बढ़ने के मॉडल बनाने के एक नए तरीके को विकसित करके इस जटिलता का समाधान किया। उन्होंने दस विशिष्ट बैटरी सेल्स के साथ काम किया, जो सभी निकल-कोबाल्ट-एल्युमीनियम कैथोड और ग्रेफाइट-सिलिकॉन एनोड से बनी थीं, जो उच्च-प्रदर्शन अनुप्रयोगों में सामान्य हैं। इन सेल्स को 25 डिग्री सेल्सियस के स्थिर तापमान पर एक नियंत्रित वातावरण में रखा गया था और एक कठोर परीक्षण प्रोटोकॉल के अधीन किया गया था। प्रत्येक सेल को एक निरंतर दर पर डिस्चार्ज किया गया था, लेकिन चार्जिंग करंट को बदला गया था, जिसमें कुछ सेल्स को 1 एम्पीयर पर और अन्य को 5 एम्पीयर तक की उच्च दरों पर चार्ज किया गया था। प्रत्येक पचास चक्रों के बाद, शोधकर्ताओं ने सेल की क्षमता को मापने के लिए विराम लिया, जिससे यह गणना की गई कि मूल अवस्था की तुलना में इसने कितनी ऊर्जा खो दी है। यह प्रक्रिया तब तक जारी रही जब तक कि सेल्स विफल नहीं हो गईं, जिससे डेटा का एक समृद्ध सेट उत्पन्न हुआ जिसने न केवल यह दिखाया कि कितनी क्षमता खोई गई, बल्कि यह भी दिखाया कि प्रत्येक व्यक्तिगत सेल के लिए समय के साथ हानि की दर कैसे बदली।
शोधकर्ताओं ने पाया कि इन बैटरियों का उम्र बढ़ना एक अनुमानित पैटर्न का पालन करता जिसे 'पावर लॉ' नामक एक सरल गणितीय संबंध द्वारा वर्णित किया जा सकता है। इसका अर्थ है कि क्षमता का नुकसान एक सीधी रेखा में नहीं होता है; इसके बजाय, यह इस बात पर निर्भर करता है कि बैटरी का उपयोग कैसे किया जाता है, यह तेजी से या धीमी गति से होता है। हालांकि, एक सरल मॉडल जो प्रत्येक बैटरी को अलग-थलग देखता है, एक महत्वपूर्ण हिस्से को छोड़ देता है। यह इस तथ्य को ध्यान में रखने में विफल रहता है कि जबकि प्रत्येक बैटरी अद्वितीय है, वे सभी एक साझा इतिहास साझा करती हैं और एक ही भौतिक नियमों के अधीन हैं। टीम ने महसूस किया कि डेटा में दो अलग-अलग प्रकार के परिवर्तन थे। पहला, वह छोटा, यादृच्छिक शोर (नॉइज़) जो प्रत्येक माप के दौरान होता है, जैसे कि एक पैमाने में हल्का कंपन। दूसरा, सेल्स के बीच वास्तविक अंतर, जहाँ एक बैटरी समान परिस्थितियों में भी दूसरी बैटरी की तुलना में थोड़ी तेजी से या धीमी गति से उम्र ले सकती है। इसे पकड़ने के लिए, उन्होंने एक पदानुक्रमित मॉडल (hierarchical model) बनाया, एक ऐसी संरचना जो डेटा को 'नेस्टेड स्टोरीज' (एक के भीतर एक कहानी) के रूप में मानती है: प्रत्येक सेल की व्यक्तिगत कहानी जो पूरे समूह की व्यापक कहानी के भीतर स्थित है।
इस जटिल संरचना को समझने के लिए, शोधकर्ताओं ने एक परिष्कृत सांख्यिकीय दृष्टिकोण का उपयोग किया जिसने उन्हें शोर और वास्तविक संकेत (सिग्नल) को अलग करने की अनुमति दी। उन्होंने एक ऐसी विधि का उपयोग किया जो अनिवार्य रूप से यादृच्छिक त्रुटियों को सुचारू बनाती है जबकि सेल्स के बीच के वास्तविक अंतरों को सुरक्षित रखती है। इस तकनीक में 'रेगुलराइजेशन' (regularization) नामक एक प्रक्रिया शामिल है, जो मॉडल को डेटा के मामूली उतार-चढ़ाव पर अत्यधिक प्रतिक्रिया देने से रोकने में मदद करती है, जिससे अंतिम चित्र स्पष्ट और विश्वसनीय सुनिश्चित होता है। उन्होंने डेटा पॉइंट्स को स्वचालित रूप से पहचानने और हटाने का एक तरीका भी विकसित किया जो स्पष्ट रूप से गलत या आउटलेयर (outliers) थे, जैसे कि एक माप जो अचानक अपेक्षित पथ से बहुत दूर चला गया, जो परिणामों को बिगाड़ सकता था। ऐसा करके, उन्होंने सुनिश्चित किया कि उनका मॉडल वास्तविकता के सबसे सटीक प्रतिनिधित्व पर आधारित हो।
इस दृष्टिकोण के परिणाम आश्चर्यजनक रूप से सटीक थे। मॉडल प्रस्तुत किए गए विशिष्ट प्रशिक्षण डेटा के लिए 0.191 प्रतिशत की सटीकता के भीतर बैटरी के स्वास्थ्य की स्थिति का अनुमान लगाने में सक्षम था। सटीकता का यह स्तर महत्वपूर्ण है क्योंकि यह प्रयोगशाला डेटा को प्रभावी ढंग से फिट करने की मॉडल की क्षमता को प्रदर्शित करता है। इसके अलावा, मॉडल ने विश्वास अंतराल (confidence intervals) की गणना करने का एक तरीका प्रदान किया, जो वे सीमाएँ हैं जो दिखाते हैं कि भविष्यवाणी कितनी निश्चित है। उदाहरण के लिए, शोधकर्ता उच्च विश्वास के साथ कह सकते थे कि एक बैटरी की शेष क्षमता एक बहुत ही संकीर्ण बैंड के भीतर होगी, जो इंजीनियरों को योजना बनाने के लिए एक विश्वसनीय उपकरण प्रदान करती है। अध्ययन ने यह भी खुलासा किया कि सेल्स के बीच के अंतर काफी छोटे थे, जो सुझाव देते हैं कि नियंत्रित परिस्थितियों में निर्मित होने पर ये बैटरियां उल्लेखनीय रूप से सुसंगत हैं। हालांकि, मॉडल ने यह भी उजागर किया कि उम्र बढ़ने की दर चार्जिंग करंट से अत्यधिक प्रभावित होती है, जहाँ उच्च करंट क्षरण के विभिन्न पैटर्न की ओर ले जाता है।
यह कार्य बैटरी के उम्र बढ़ने के बारे में हमारी समझ में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। डेटा को अलग-थलग बिंदुओं के बजाय बार-बार किए जाने वाले मापों के संग्रह के रूप में मानकर, शोधकर्ताओं ने एक ऐसा मॉडल बनाया जो उम्र बढ़ने की प्रक्रिया की वास्तविक संरचना को दर्शाता है। यह स्वीकार करता है कि भले ही प्रत्येक बैटरी का अपना व्यक्तित्व हो, वे सभी एक ही मौलिक नियमों का पालन करती हैं। मॉडल नियंत्रित प्रयोगशाला डेटा के विश्लेषण के लिए एक व्यावहारिक उपकरण है, लेकिन शोधकर्ता नोट करते हैं कि वास्तविक दुनिया के परिदृश्यों में इसे लागू करने के लिए संशोधन की आवश्यकता है। वास्तविक दुनिया के अनुप्रयोगों में, जैसे कि इलेक्ट्रिक वाहन, बैटरी पैक पर लगने वाला उम्र बढ़ने का तनाव पर्यावरणीय स्थितियों, चार्जिंग प्रथाओं और ग्राहक उपयोग के साथ बदलता रहता है। फलस्वरूप, मॉडल संरचना को इन समय-निर्भर चरों (time-dependent variables) को संभालने के लिए अनुकूलित करने की आवश्यकता है। जबकि अध्ययन एक नियंत्रित प्रयोगशाला में स्थिर स्थितियों के साथ किया गया था, शोधकर्ता सुझाव देते हैं कि 'टाइम-डिपेंडेंट कोवेरिएट प्रोटोकॉल' के विस्तार वास्तविक दुनिया के इन-सर्विस विश्लेषण की समस्या को संबोधित कर सकते हैं। बैटरी के विफल होने का सटीक अनुमान लगाने की क्षमता एक शक्तिशाली क्षमता है, जो भविष्य के लिए सुरक्षित, अधिक कुशल और लंबे समय तक चलने वाली ऊर्जा प्रणालियों की ओर ले जा सकती है। अध्ययन पुष्टि करता है कि सही गणितीय उपकरणों के साथ, बैटरी के जीवन की जटिल और अक्सर अप्रत्याशित यात्रा को उल्लेखनीय स्पष्टता के साथ मैप किया जा सकता है, बशर्ते मॉडल को उसके उपयोग की विशिष्ट स्थितियों के लिए उचित रूप से समायोजित किया जाए।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।