Algoritme voorspelt thermal runaway

Een nieuw raamwerk gebruikt multifysica en machine learning-modellen om oververhitting van lithium-ionbatterijen, ook wel bekend als thermal runaway, te detecteren, voorspellen en identificeren.

In de toekomst zou dit raamwerk kunnen worden geïntegreerd in het batterijbeheersysteem van een elektrisch voertuig om te voorkomen dat een batterij oververhit raakt, waardoor bestuurders en passagiers worden beschermd.

Het artikel ‘Advancing Battery Safety’, onder leiding van een student techniek aan de Universiteit van Arizona Basab Goswami, is gepubliceerd in het Journal of Power Sources.

Thermische runaway kan extreem gevaarlijk en moeilijk te voorspellen zijn. Een accupakket van een elektrisch voertuig bestaat uit nauw met elkaar verbonden batterijcellen. Elektrische voertuigen van vandaag de dag kunnen meer dan 1000 cellen in elk accupakket hebben. Als thermische runaway in één cel optreedt, is de kans groot dat nabijgelegen cellen ook verhit raken, waardoor een domino-effect ontstaat. “De temperatuur in een accu zal exponentieel toenemen en brand veroorzaken, en het hele accupakket van het elektrische voertuig zou kunnen exploderen.” aldus Goswami.

Het verleden gebruiken om de toekomst te voorspellen

Om dit te voorkomen, stellen de onderzoekers voor om thermische sensoren te gebruiken – gewikkeld rond batterijcellen – die historische temperatuurgegevens invoeren in een machine learning-algoritme om toekomstige temperaturen te voorspellen. Het algoritme voorspelt wanneer en waar een runaway-gebeurtenis waarschijnlijk zal beginnen. “Als we de locatie van de hotspot (het begin van thermische runaway) kennen, zijn er een aantal oplossingen om de batterij te stoppen voordat deze dat kritieke stadium bereikt”, zegt Goswami.

Zijn adviseur, hoogleraar lucht- en ruimtevaart- en werktuigbouwkunde Vitaliy Yurkiv, zei dat hij onder de indruk was van de nauwkeurigheid van Goswami’s algoritme. “Voor zijn onderzoek waren machine learning-modellen niet gebruikt om thermische runaway te voorspellen. We hadden niet verwacht dat machine learning zo superieur zou zijn om thermokoppeltemperatuur en locatie van hotspots zo nauwkeurig te voorspellen. Geen mens zou dat ooit kunnen.”