روش شارژ مبتنی بر هوش مصنوعی، عمر باتری خودروهای برقی را ۲۳٪ افزایش می‌دهد

گذار به حمل‌ونقل برقی متکی بر یک مصالحه اساسی است: سرعتی که برای کاربردی کردن خودروهای برقی در مسافت‌های طولانی لازم است، به طور فعال سخت‌افزار تأمین‌کننده نیروی آن‌ها را تخریب می‌کند. تزریق جریان مستقیم با ولتاژ بالا به باتری لیتیوم-یون، سایش الکتروشیمیایی را تسریع می‌کند و تنشی بین راحتی عملیاتی و طول عمر دارایی ایجاد می‌کند.[1]

هنگامی که باتری تحت شارژ سریع قرار می‌گیرد، هجوم شدید جریان می‌تواند باعث آبکاری لیتیوم (lithium plating) شود؛ وضعیتی که در آن لیتیوم فلزی به جای اینکه به درستی در ساختار سلول جاسازی شود، روی آند (anode) انباشته می‌شود. با گذشت زمان، این فرآیند ظرفیت باتری را کاهش می‌دهد، مقاومت داخلی را افزایش می‌دهد و می‌تواند خطرات ایمنی ایجاد کند.[2][3]

سال‌هاست که صنعت این خطر را از طریق استراتژی‌های شارژ با پروتکل ثابت مدیریت کرده است. سیستم‌های مدیریت باتری معمولی، محدودیت‌های ولتاژ و جریان ثابتی را اعمال می‌کنند که چه خودرو تازه از خط تولید خارج شده باشد و چه پنج سال عمر کرده باشد، ثابت می‌مانند. اگرچه این رویکرد ایمن است، اما این روش سخت‌گیرانه، شیمی داخلی در حال تغییر یک باتری فرسوده را در نظر نمی‌گیرد و ناخواسته به سلول‌های تخریب شده فشار وارد می‌کند.[2][4]

پیشرفت‌های اخیر در یادگیری ماشینی، راه‌حلی برای این تنگنای سخت‌افزاری از طریق بهینه‌سازی نرم‌افزاری ارائه می‌دهند. محققان در دانشگاه صنعتی چالمرز (Chalmers University of Technology) نشان داده‌اند که یادگیری تقویتی (reinforcement learning) – یک تکنیک هوش مصنوعی که الگوریتم‌ها را از طریق آزمون و خطا آموزش می‌دهد – می‌تواند پارامترهای شارژ را به صورت پویا و در زمان واقعی تنظیم کند.[1][2]

این سیستم مبتنی بر هوش مصنوعی، به جای تکیه بر یک منحنی ثابت، به طور مداوم وضعیت شارژ و وضعیت سلامت باتری را زیر نظر دارد. با فرسوده شدن اجزای داخلی، الگوریتم محدودیت‌های ولتاژ و جریان را تغییر می‌دهد تا فشار بر آند، کاتد و الکترولیت را به حداقل برساند.[3][5]

این سیستم برای یافتن تعادل بهینه بین سرعت و حفظ سلامت باتری پاداش می‌گیرد. در شبیه‌سازی‌های با دقت بالا که توسط IEEE منتشر شد، این رویکرد تطبیقی، طول عمر مفید باتری را به ۷۰۳ چرخه کامل معادل، قبل از کاهش ظرفیت به ۸۰ درصد، افزایش داد.[1][2]

این میزان، نشان‌دهنده بهبود ۲۲.۹ درصدی نسبت به معیار پایه روش معمولی (۵۷۲ چرخه) است. نکته حیاتی این است که الگوریتم این طول عمر را بدون افزایش زمان اتصال به شارژر به دست آورد؛ روش هوش مصنوعی به طور متوسط ۲۴.۱۲ دقیقه برای هر شارژ زمان برد، در مقایسه با ۲۴.۱۵ دقیقه برای پروتکل استاندارد.[2]

از آنجایی که این بهینه‌سازی به طور کامل در نرم‌افزار خودرو انجام می‌شود، نیازی به حسگرهای آزمایشگاهی تخصصی یا زیرساخت سخت‌افزاری جدید ندارد. خودروسازان می‌توانند از لحاظ تئوری این الگوریتم‌های شارژ آگاه به سلامت را از طریق به‌روزرسانی‌های بی‌سیم (OTA) در ناوگان‌های موجود به کار گیرند، مشروط بر اینکه سیستم مدیریت باتری خودرو قابلیت پردازش کافی داشته باشد.[2][5]

پیامدهای ثانویه افزایش ۲۳ درصدی عمر باتری، در کل اکوسیستم خودروهای برقی موج می‌زند. برای اپراتورهای تجاری و رانندگانی که مسافت‌های طولانی را طی می‌کنند، این به معنای ده‌ها هزار مایل قابل استفاده اضافی است. برای تولیدکنندگان، مسئولیت مالی تعویض باتری‌های تحت گارانتی را کاهش می‌دهد و ارزش باقیمانده خودروهای خارج شده از اجاره را بهبود می‌بخشد.[2][4]

در سطح اقتصاد کلان، افزایش چرخه عمر سلول‌های لیتیوم-یون به طور مستقیم تقاضا برای استخراج مواد معدنی حیاتی را کاهش می‌دهد و ورود حجم زباله‌های الکترونیکی به تأسیسات بازیافت را به تأخیر می‌اندازد. با این حال، این سیستم به طور جهانی قابل استفاده نیست؛ از آنجایی که پروفایل‌های تخریب بین شیمی‌های NMC، LFP و سایر موارد به شدت متفاوت است، مدل‌های هوش مصنوعی قبل از استقرار برای هر طراحی سلول خاص نیاز به کالیبراسیون دقیق دارند.[2][4][5]