Ontwikkeling van technologieën voor duurzame materialen

De SuMaT-accelerator beoogt de ontwikkeling van een ‘state of health’ (SoH) en ‘remaining useful life’ (RUL) model voor lithium-ion batterijen (LiBs) gebaseerd op elektrochemische impedantie spectroscopie (EIS) data en gebruik makend van machinaal leren/artificiële intelligentie (ML)/(AI) methodes. Een struikelblok voor de verdere doorbraak van lithium-ion batterijen is de onvoorspelbaarheid van hun degradatie. Nauwkeurige voorspelling van SoH en RUL is noodzakelijk om de gebruiker te informeren wanneer een batterij moet vervangen worden om onverwacht capaciteitsverlies te vermijden. Daarnaast is batterij prognose ook cruciaal voor de recyclage sector om te beslissen of een batterij moet gerecycleerd worden of kan ingezet worden in een minder veeleisende ‘tweede leven’ toepassing.

EIS is een niet-invasieve meettechniek die toegang geeft tot alle materiaaleigenschappen. Echter, het inzetten van EIS voor predictieve batterij prognose wordt bemoeilijkt door complexe data-analyse. ML biedt de mogelijkheid om verborgen, niet triviale patronen te identificeren en informatie te halen uit omvangrijke data-sets. De implementatie van ML op EIS data zal ons toelaten batterij parameters te identificeren zonder voor-gedefinieerde modellen voor SoH en RUL bepaling, zelfs zonder gedetailleerde kennis over de omstandigheden waarin de batterij gebruikt werd..