اميرحسين تيموري

اين پژوهش به تحليل عمر خستگي و شاخص سلامت باتري‌هاي انعطاف‌پذير با استفاده از روش‌هاي هوش مصنوعي پرداخته است. باتري‌هاي انعطاف‌پذير به دليل ويژگي‌هاي منحصر به فرد خود در كاربردهاي پوشيدني، اينترنت اشياء و سيستم‌هاي ذخيره انرژي پيشرفته اهميت روزافزوني يافته‌اند، اما ارزيابي دقيق عمر مفيد و رفتار خستگي آنها تحت شرايط عملياتي متنوع همچنان چالش‌برانگيز است. هدف اصلي اين مطالعه، ارائه رويكردي جامع براي پيش‌بيني دقيق عمر خستگي باتري‌ها و شاخص سلامت مكانيكي آنها با تركيب پارامترهاي الكتروشيميايي و مكانيكي، و توسعه مدل‌هاي هوش مصنوعي پيشرفته براي كاربردهاي عملي بود. در بخش نوآوري‌هاي اين پژوهش، نخستين دستاورد بررسي همزمان پارامترهاي مكانيكي و الكتروشيميايي باتري‌ها است. پارامترهاي مكانيكي شامل استحكام تسليم، مدول يانگ، ضخامت و شعاع خمش بودند، در حالي كه پارامترهاي الكتروشيميايي شامل ظرفيت، ولتاژ، مقاومت داخلي و شاخص سلامت باتري (SOH) مي‌شد. با تركيب اين داده‌ها، علاوه بر محاسبه عمر خستگي خمشي، شاخص سلامت مكانيكي باتري‌ها نيز استخراج شد كه امكان ارزيابي جامع‌تري از رفتار باتري تحت چرخه‌هاي مختلف بارگذاري را فراهم ‌آورد. اين رويكرد در مقايسه با مطالعات پيشين كه عمدتاً بر پارامترهاي الكتروشيميايي متمركز بوده‌اند، مزيت قابل توجهي در دقت پيش‌بيني فراهم مي‌كند. دست‌آورد نوآورانه دوم مربوط به جمع‌آوري داده‌ها است. به منظور افزايش سرعت و دقت گردآوري داده‌هاي مورد نياز، يك سيستم هوشمند بر پايه مدل هاي بزرگ زباني و تركيب آن با RAG (Retrieva‎l-Augmented Generation) توسعه داده شد كه توانايي دريافت مقالات علمي، تحليل محتوا، استخراج اطلاعات كليدي شامل عنوان، نويسندگان، سال انتشار و پارامترهاي ورودي مرتبط با باتري را دارا بود. اين سيستم، فرآيند جمع‌آوري داده‌ها را به صورت خودكار و در مقياس وسيع تسهيل كرده و امكان ايجاد ديتاست كامل و متنوع براي آموزش مدل‌هاي هوش مصنوعي را فراهم نمود. استفاده از اين روش، علاوه بر صرفه‌جويي قابل توجه در زمان، از خطاهاي انساني در استخراج اطلاعات پارامتري نيز جلوگيري كرد. در بخش سوم، توسعه مدل‌هاي يادگيري ماشين براي پيش‌بيني عمر خستگي و شاخص سلامت باتري‌ها انجام شد. چندين الگوريتم يادگيري ماشين شامل رگرسيون خطي، درخت تصميم، جنگل تصادفي، ماشين هاي بردار پشتيبان (SVR)، XGBoost، رگرسيون Ridge و شبكه‌هاي عصبي چندلايه (MLP) مورد استفاده قرار گرفت. با استفاده از اين مدل‌ها، دقت پيش‌بيني شاخص سلامت باتري (SOH) در داده‌هاي آزمايشي به حدود 45 درصد رسيد. همچنين دقت مدل براي داده هاي آزمايشي در داده‌هاي عمر خستگي خمشي به 98 درصد رسيد. براي ارتقاي بيشتر دقت مدل‌ها، تركيبي از الگوريتم جنگل تصادفي و الگوريتم ژنتيك طراحي شد كه منجر به ايجاد يك مدل هيبريد شد. اين مدل توانست دقت پيش‌بيني شاخص سلامت مكانيكي باتري‌ها را حدود 3 درصد افزايش دهد و به اين ترتيب، يك ابزار مؤثر براي ارزيابي جامع عمر و عملكرد باتري‌هاي انعطاف‌پذير ارائه نمود. نتايج به دست آمده نشان مي‌دهند كه تركيب پارامترهاي مكانيكي و الكتروشيميايي با استفاده از مدل‌هاي هوش مصنوعي، امكان پيش‌بيني دقيق و قابل اعتماد عمر خستگي و شاخص سلامت باتري‌هاي انعطاف‌پذير را فراهم مي‌كنند. علاوه بر اين، استفاده از روش‌هاي نوين جمع‌آوري داده و مدل‌سازي پيشرفته، امكان كاربرد عملي اين مدل‌ها در طراحي و بهينه‌سازي باتري‌هاي انعطاف‌پذير را در مقياس صنعتي فراهم مي‌سازد. يافته‌هاي اين پژوهش مي‌تواند به عنوان مرجع علمي و عملي براي توسعه باتري‌هاي انعطاف‌پذير با عمر طولاني‌تر و عملكرد بهينه‌تر در حوزه‌هاي مختلف فناوري انرژي مورد استفاده قرار گيرد.

عمر خستگي , باتري‌هاي انعطاف‌پذير , هوش مصنوعي , پيش‌بيني , يادگيري ماشين