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

बैटरी आधुनिक जीवन की मूक धड़कनें हैं, जो हमारी जेबों में रखे स्मार्टफोन से लेकर हमारी सड़कों पर चलने वाली इलेक्ट्रिक कारों तक, सब कुछ संचालित करती हैं। फिर भी, किसी भी जीवित प्रणाली की तरह, वे भी उम्र बढ़ती हैं। समय के साथ, लिथियम-आयन बैटरी के भीतर के रसायन धीरे-धीरे खराब होने लगते हैं, जिससे चार्ज रखने की उनकी क्षमता कम हो जाती है और अंततः उपकरण विफल हो जाता है। यह सटीक रूप से कब होगा, इसका पूर्वानुमान लगाना इंजीनियरों और वैज्ञानिकों के लिए एक महत्वपूर्ण चुनौती है। यदि हम बैटरी के जीवनकाल का सटीक अनुमान लगा सकें, तो हम सुरक्षित इलेक्ट्रिक वाहन डिजाइन कर सकते हैं और ऊर्जा ग्रिडों को अधिक कुशलता से प्रबंधित कर सकते हैं। समस्या यह है कि बैटरियां जटिल रासायनिक प्रणालियाँ हैं, और उन्हें वास्तविक जीवन में बूढ़ा होते देखना वर्षों के धीमे, महंगे परीक्षणों की मांग करता है। पारंपरिक कंप्यूटर मॉडल जो इन रासायनिक प्रक्रियाओं को सिम्युलेट करने की कोशिश करते हैं, वे अविश्वसनीय रूप से विस्तृत होते हैं, लेकिन वे इतने धीमे भी होते हैं कि सही उत्तर खोजने के लिए उन्हें हजारों बार चलाना व्यावहारिक रूप से असंभव है।

द हांग कॉन्ग पॉलीटेक्निक यूनिवर्सिटी और अन्य संस्थानों के शोधकर्ताओं ने इस प्रक्रिया को तेज करने का एक तरीका खोजा है, बिना उस वैज्ञानिक कठोरता को खोए जिसकी बैटरी रसायन विज्ञान को समझने के लिए आवश्यकता होती है। उन्होंने एक नई विधि विकसित की है जो बैटरी रसायन विज्ञान को नियंत्रित करने वाले गहरे भौतिक नियमों को आधुनिक आर्टिफिशियल इंटेलिजेंस (AI) की गति के साथ जोड़ती है। हर बार भविष्यवाणी करने के लिए धीमे, भारी सिमुलेशन चलाने के बजाय, उन्होंने एक स्मार्ट कंप्यूटर प्रोग्राम को प्रशिक्षित किया जो उन सिमुलेशन के 'फास्ट-फॉरवर्ड' संस्करण के रूप में कार्य करता है। इस प्रोग्राम ने यह सीखा कि बैटरियां कैसे बूढ़ी होती हैं, इसके लिए उसने धीमे, विस्तृत मॉडलों द्वारा उत्पन्न हजारों उदाहरणों का अध्ययन किया। एक बार प्रशिक्षित होने के बाद, यह "एम्युलेटर" (emulator) तुरंत यह अनुमान लगा सकता था कि बैटरी के आंतरिक रासायनिक सेटिंग्स के आधार पर वह कैसे खराब होगी। शोधकर्ताओं ने फिर इस तेज़ उपकरण का उपयोग पीछे की ओर (वर्क बैकवर्ड) काम करने के लिए किया: बैटरी के शुरुआती प्रदर्शन को देखकर, वे उन छिपे हुए रासायनिक मापदंडों का पता लगा सके जो इसके क्षय (aging) को संचालित कर रहे थे और फिर इसकी पूरी भविष्य की जीवन अवधि का आश्चर्यजनक सटीकता के साथ अनुमान लगा सके।

इस कार्य का मूल भाग बैटरी विज्ञान की एक मौलिक कठिनाई को संबोधित करता है: हम बैटरी के उपयोग के दौरान उन विशिष्ट रासायनिक दरों को आसानी से नहीं माप सकते हैं जिनके कारण बैटरी खराब होती है। हम बैटरी की क्षमता कम होते देख सकते हैं, लेकिन हम सूक्ष्म प्रतिक्रियाओं को सीधे नहीं देख सकते, जैसे कि इलेक्ट्रोड पर एक सुरक्षात्मक परत का बनना या अवांछित लिथियम जमाव का निर्माण, जो उस नुकसान का कारण बनते हैं। चूंकि हम इन्हें सीधे नहीं माप सकते, इसलिए वैज्ञानिक अक्सर इन छिपे हुए मापदंडों के मान का अनुमान लगाने के लिए मजबूर होते हैं ताकि उनके मॉडल वास्तविकता से मेल खा सकें। यह एक कठिन पहेली है क्योंकि कई अलग-अलग छिपे हुए मापदंड संयोजन एक ही दृश्य परिणाम दे सकते हैं, जिससे यह जानना कठिन हो जाता है कि वास्तव में कौन सा सही है। शोधकर्ताओं ने इसे एक विशाल संभावित बैटरी व्यवहारों की लाइब्रेरी बनाकर हल किया। उन्होंने एक विस्तृत भौतिकी-आधारित मॉडल का उपयोग करके यह सिम्युलेट किया कि हजारों विभिन्न परिदृश्यों के तहत एक बैटरी कैसे बूढ़ी होगी, जिसमें क्षय को नियंत्रित करने वाले छह प्रमुख रासायनिक कारकों को बदला गया था। इन कारकों में यह शामिल था कि एक सुरक्षात्मक परत कितनी तेजी से बढ़ती है, लिथियम धातु इलेक्ट्रोड पर कितनी जल्दी जमा हो सकती है, और इलेक्ट्रोड सामग्री कैसे टूट सकती है या ऊर्जा संग्रहीत करने की अपनी क्षमता खो सकती है।

इन हजारों सिमुलेशन से, शोधकर्ताओं ने एक न्यूरल नेटवर्क, जो कि आर्टिफिशियल इंटेलिजेंस का एक प्रकार है, को प्रशिक्षित किया ताकि वह उन छिपे हुए रासायनिक कारकों और परिणामी एजिंग कर्व्स (aging curves) के बीच के संबंध को सीख सके। इस न्यूरल नेटवर्क को एक अत्यधिक कुशल अनुवादक के रूप में समझें जो तुरंत रासायनिक सेटिंग्स के एक सेट को अनुमानित बैटरी जीवनकाल में बदल देता है। एक बार जब यह अनुवादक बन गया, तो यह सेकंडों में लाखों संभावनाओं का मूल्यांकन कर सकता था, एक ऐसा कार्य जिसे मूल धीमे सिमुलेशन पद्धति का उपयोग करके करने में वर्षों लग जाते। शोधकर्ताओं ने इस उपकरण को टोंगजी यूनिवर्सिटी में परीक्षण की गई बैटरियों के वास्तविक दुनिया के डेटा पर लागू किया। उन्होंने इन बैटरियों के वास्तविक एजिंग कर्व्स को लिया और अपने तेज़ एम्युलेटर का उपयोग करके उन छिपे हुए रासायनिक मापदंडों के सेट को खोजा जो वास्तविक दुनिया के व्यवहार से सबसे अच्छी तरह मेल खाते थे। भौतिक बाधाओं (physical constraints) पर विचार करने वाले एक सांख्यिकीय दृष्टिकोण का उपयोग करके, वे संभावनाओं को प्रत्येक बैटरी के विशिष्ट एजिंग पैटर्न के लिए सबसे संभावित कारणों तक सीमित करने में सक्षम रहे।

इस पद्धति की असली परीक्षा तब हुई जब शोधकर्ताओं ने बैटरी के जीवन के केवल एक छोटे से हिस्से का उपयोग करके उनके भविष्य की भविष्यवाणी करने की कोशिश की। कई वास्तविक दुनिया की स्थितियों में, हमारे पास एक नई बैटरी के लिए केवल कुछ महीनों का डेटा होता है और हमें यह जानने की आवश्यकता होती है कि अगले दशक में इसका प्रदर्शन कैसा रहेगा। टीम ने अपने सिस्टम को बैटरी के जीवन के केवल पहले 5% से 15% डेटा को दिया, जो उस अवधि के अनुरूप है जब बैटरी अभी भी लगभग पूर्ण क्षमता में होती है। सिस्टम ने उस प्रारंभिक क्षय को संचालित करने वाले छिपे हुए रासायनिक मापदंडों का निष्कर्ष निकाला और बैटरी के शेष जीवन का अनुमान लगाने के लिए अपने तेज़ एम्युलेटर का उपयोग किया। परिणाम चौंकाने वाले थे। जब उन्होंने भविष्यवाणी की कि एक बैटरी अपनी मूल क्षमता के 80% तक गिरने से पहले कितने चक्र (cycles) चलेगी, तो उनके भौतिकी-आधारित पद्धति ने औसतन केवल लगभग 59 चक्रों की त्रुटि की। इसकी तुलना में, सबसे अच्छे मौजूदा डेटा-संचालित तरीके, जो भौतिकी की समझ के बिना केवल डेटा के पैटर्न पर निर्भर करते हैं, लगभग 80 चक्रों की त्रुटि करते थे। यह अंतर तब और भी महत्वपूर्ण हो गया जब शोधकर्ताओं ने केवल बैटरी के जीवन के पहले 5% से भविष्य की भविष्यवाणी करने की कोशिश की, जो कि एक ऐसी स्थिति है जहाँ डेटा अत्यंत दुर्लभ है।

अध्ययन ने यह भी प्रकट किया कि यह पद्धति न केवल सटीक थी बल्कि भौतिक रूप से भी तर्कसंगत थी। जब शोधकर्ताओं ने अलग-अलग तापमान पर परीक्षण की गई बैटरियों के लिए अपने द्वारा निकाले गए मापदंडों को देखा, तो परिणाम उस बात से मेल खाते थे जो वैज्ञानिक बैटरी रसायन विज्ञान के बारे में पहले से जानते हैं। उदाहरण के लिए, सिस्टम ने सही ढंग से पहचाना कि उच्च तापमान के कारण सुरक्षात्मक परत का तेजी से विकास होता है और लिथियम के व्यवहार में परिवर्तन होता है, जो कि ज्ञात भौतिक प्रभाव हैं। इसने यह भी दिखाया कि इलेक्ट्रोड सामग्री को होने वाला नुकसान, जो आमतौर पर बैटरी के जीवन के उत्तरार्ध में होता है, उच्च-तापमान समूह में कम स्पष्ट था, जो इस अवलोकन के अनुरूप है कि वे बैटरियां बाद के चरणों में अधिक समय तक चलती हैं। यह निरंतरता बताती है कि सिस्टम केवल डेटा को याद नहीं कर रहा है, बल्कि वास्तव में बैटरी क्षय के अंतर्निहित नियमों को सीख रहा है।

हालांकि इस पद्धति ने बड़ी संभावना दिखाई, शोधकर्ता इसकी सीमाओं के प्रति भी सतर्क रहे। उनकी भविष्यवाणियों की सटीकता पूरी तरह से इस बात पर निर्भर करती है कि प्रारंभिक सिमुलेशन लाइब्रेरी ने वास्तविक दुनिया को कितनी अच्छी तरह कवर किया है। यदि कोई बैटरी उस तरह से खराब होती है जो उनके प्रशिक्षण सिमुलेशन में शामिल नहीं थी, तो सिस्टम उसकी सही भविष्यवाणी नहीं कर पाएगा। उन्होंने देखा कि कम तापमान पर परीक्षण की गई बैटरियों के एक विशिष्ट समूह में, सिमुलेशन वास्तविक डेटा में देखे गए त्वरित क्षय (accelerated fading) से पूरी तरह मेल नहीं खाता था, जो यह सुझाव देता है कि उनके मॉडल में कुछ क्षय मार्ग (degradation pathways) गायब थे। हालांकि, यह ढांचा एक शक्तिशाली नया मार्ग प्रदान करता है। सिमुलेशन को एक बार में उत्पन्न करने वाले 'ऑफलाइन चरण' में भारी गणना कार्य को स्थानांतरित करके, यह सिस्टम बैटरी स्वास्थ्य का तीव्र, उच्च-गति विश्लेषण करने की अनुमति देता जो पहले असंभव था। यह दृष्टिकोण भौतिकी की विस्तृत समझ और आधुनिक बैटरी प्रबंधन की तेज़, डेटा-केंद्रित आवश्यकताओं के बीच के अंतर को पाटने का एक तरीका प्रदान करता है, जिससे संभावित रूप से इंजीनियर लंबे समय तक चलने वाली बैटरी डिजाइन कर सकते हैं और उपयोगकर्ताओं को यह स्पष्ट चित्र मिल सकता है कि उनके उपकरणों का जीवन कितना लंबा होगा।