電動車（EV）的電池壽命一直是使用者所面臨的一大挑戰。隨著使用年限的增加，這些電池的壽命會逐漸減少。然而，最近的一項實驗為延長電動車電池的壽命帶來了希望。這個由烏普薩拉大學開發的人工智慧（AI）模型，據報導能夠提供更安全和更長壽命的電動車電池，並且能更準確地描繪電池的老化過程。該研究的領導者、烏普薩拉大學安斯特朗先進電池中心的丹尼爾·布蘭德爾教授（Professor Daniel Brandell）表示：「能夠深入了解電池的壽命和老化過程將有助於未來電動車的控制系統，這也顯示了理解電池內部發生的事情的重要性。」他提到，若能停止將電池視為簡單的黑箱，只期望它提供電力，並轉而獲取過程的詳細圖景，便能更好地管理電池，延長其良好狀態的維持時間。
電動車的電池耗損過快，這一問題正在拖慢交通運輸行業的電氣化進程。如今，這不僅造成了資源的巨大浪費，還阻礙了交通運輸行業的轉型。為了解決這一問題，汽車行業正在開發基於AI的軟件，以優化電池管理和控制。來自加拿大的研究團隊開發的最新工具就是其中之一。研究人員還透露，這項研究背後經歷了幾年的電池測試，並與丹麥的奧爾堡大學合作進行。研究過程中，研究團隊透過收集大量非常短的充電數據來建立數據庫，並將這些數據與電池內部發生的各種化學過程的詳細模型相結合。進行這項研究的郭文迪（Wendi Guo）表示：「這一切讓我們對電池產生電力的各種化學反應，以及其在使用過程中如何老化，形成了非常精確的圖景。」
研究人員進一步指出，他們的工作提出了一個基於數位雙胞胎模型的機器學習（ML）框架，該框架將關鍵設計參數與在多種快速充電協議、放電深度及代表北歐氣候應用的動態放電特徵下的石墨/鎳-錳-鈷氧化物鋰離子電池的實際行為聯繫起來。這項研究發表於《能源與環境科學》期刊，重點在於該框架能夠直接從短充電段推斷六個關鍵設計參數，並能在幾秒鐘內快速預測電池的健康狀況。該模型在健康和壽命預測的穩健性方面分別提高了高達65%和69%，與基線多層感知器和線性回歸模型相比，同時也超越了基線隨機森林模型，訓練時間僅需1秒。研究團隊還指出，容量變化與三個設計參數——固態擴散係數、顆粒半徑及電極厚度之間的強物理相關性，凸顯了這些參數在確定退化路徑中的重要作用。研究人員表示：「這一框架可以輕鬆整合到上游工作流程和電池管理系統中，使用戶能夠根據需要調整使用模式，同時指導開發者改善設計策略。」這項研究的進展，無疑將有助於提升電動車電池的性能與壽命，進一步推動交通運輸行業的可持續發展。
