生成AI

最終更新日:2024/01/24
研究者は、AIを学習させることによってEVバッテリーの劣化を予測しました。また経年劣化を予測することによって、電池の耐久性が向上することが可能になります。
このAIニュースのポイント
研究者は、AIを学習させることによってEVバッテリーの劣化を予測しました。またリチウムイオン電池の経年劣化を予測することによって、電池の耐久性が向上することが可能になります。
リチウムイオン電池は、電動モビリティ台頭において重要な要素です。しかし、現時点で電池の状態、寿命を予測することまでが技術的限界です。
リチウムイオン電池は、充電や放電の際に起こる「サイクルエージング」と呼ばれる経年劣化によって、時間とともに容量が低下してしまいます。また電池の保管時や使用しない時に起こる「カレンダーエージング」と呼ばれる劣化もあります。
電気自動車は、その大半を駐車場で過ごすことになるため、カレンダーエージングによるセルの容量劣化を予測することは非常に重要です。
以上の背景から、研究者は機械学習アルゴリズムを用い、バッテリーの劣化を正確に予測することに取り組んでいます。
EUの助成を受けた最近の研究では、市販のリチウムイオン電池の幅広い化学組成を対象に、アルゴリズムの精度を調査を行いました。
研究に以下の2つのアルゴリズムを使用しました。Extreme Gradient Boosting(XGBoost)、Artificial Neural Network(ANN)。
XGBoostは決定木ベースの機械学習アルゴリズムで、回帰や分類の問題で広く採用されています。また、ANNは人工適応システムで、グローバルな入力を予測される出力に変換します。
性能を評価するために、予測値と測定値の間の誤差の平均的な大きさを測定するMAPE指標を使用しました。MAPE値が小さいほど予測精度が高まります。
アルゴリズムのテストでは、XGBoostを使用することで、ほとんどの化学物質の暦年変化を、平均絶対誤差を大幅に縮小し、効果的に予測できることが示されました。一方、ANNは、セル化学物質にのみ効果的結果をもたらしました。
今後、研究成果を実用化するため、どのようなステップを踏む必要があるかが注目されます。
出典:TNW
業務の課題解決に繋がる最新DX・情報をお届けいたします。
メールマガジンの配信をご希望の方は、下記フォームよりご登録ください。登録無料です。
AI製品・ソリューションの掲載を
希望される企業様はこちら