Big Data:
Big Data terminoa oso ezaguna da hainbat industriatan, eta baterien ingeniaritzan presentzia handia izan du. Horren garrantzia balioesteko, funtsezkoa da Big Data bost "V" en optikaren bidez kontuan hartzea:
- Bolumena: Big Datak tamaina handiko datu multzoak hartzen ditu barne, Terabytes-etik (1 TB 1.000 Gigabyte-ren baliokidea da) Pettabyte-raino (1 PB 1.000 Terabyte-ren baliokidea da).
- Barietatea: Datu-bolumen handia izatea berez erronka bat da, baina datu horien barruan barietatea izateak konplexutasuna areagotzen du. Baterien datuek aldagai batzuk aurkezten dituzte aplikazioaren arabera, etxeko biltegiratze-sistemetako korrontetik, tentsiotik eta potentziatik autobus elektrikoetako abiadura, eskatutako potentzia, tentsioa eta korronteraino. Gainera, datuen bereizmena nabarmen alda daiteke; izan ere, etxeko biltegiratze-sistemek 1 eta 5 minutu bitarteko datuak eskaintzen dituzte, eta ibilgailu elektrikoen aplikazioek (VE), berriz, segundo 1 edo gutxiagoko datuak.
- Abiadura: Baterien ikerketan, abiadura funtsezkoa da. Denbora errealeko edo ia errealeko analisiak erabakigarriak bihurtu dira; bereziki, baterien segurtasun-algoritmoak intentsiboagoak bihurtu dira konputazio-ikuspegitik, abiadurari eusteko eta akats kritikoak saihesteko.
- Balioa: makrodatuek dakartzaten gainerako erronka tekniko guztiei aurre egiteko azpiko arrazoia da. Azken finean, datuak edukitzeak ez du ezertarako balio, balioa sortzeko ezin badira erabili. Baterien industrian sortzen da balioa, segurtasun-arriskuak eta lotutako kostuak murrizteko bildutako datuak aztertuz, baterien hornidura-katearen erabakiak oinarrituz eta haien balio-bizitza luzatuz.
- Egiazkotasuna: Datuen zehaztasuna eta baliozkotasuna bermatzea funtsezkoa da, baina askotan zaila da, datu asko eta askotarikoak daudelako. Sistema batean tentsio atipikoa irakurtzea araua izan daiteke beste sistema batean.
Gaur egun, materialen egiturari buruzko informazioa ematen duten hainbat datu-base daude. Batzuk esperimentalak dira, hala nola Inorganic Cristal Structure Database (ICSD), eta beste batzuk teorikoak, hala nola Material Project (MP). Baina erabilera orokorreko datu-baseek ez dituzte baterietako materialen behar bereziak asetzen. Bateria-materialak garatzeko, ezaugarri espezifikoak hartu behar dira kontuan, hala nola energia-dentsitatea, ioiak garraiatzeko propietateak, zamalanetako abiadurak, etab.
Baterien esparruan, bateriak kudeatzeko sistemek (BMS) datu-bolumen handia sortzen dute. BMS bakar batek sortutako datu-bolumena txikia da eta ez da Big Daten esparruan sartzen. Hala ere, BMSren datu historikoak biltzen hasi ginenean, erraz iristen ginen Terabyte datu-bolumenaren mailara.
Gauzen Internet (IoT):
Gaur egun, hainbat magnitude neurtzen dituzten gailuei konektatutako sentsoreen erabilera ohikoa bihurtu da. Energia biltegiratzearen testuinguruan, bateriak kudeatzeko sistemak (BMS) IoT-ren integrazioaren adibide bikaina dira.
Baterien esparruan, sentsore horiek errendimendu-metrika erabakigarriak neurtzen dituzte, hala nola tentsioa, korrontea eta tenperatura. Metrika horien etengabeko monitorizazioa eta gainbegiratzea software bidez errazten dira, eta bateriaren egoerari buruzko iragarpenak, karga-egoera (SOC), osasun-egoera (SOH) eta gainerako balio-bizitza (RUL) barne, Machine Learning (ML) delakoaren laguntzarekin kalkulatzen dira.
Akats nabarmen bat litiozko ioi-baterien portaerarekin lotutako alerta-mekanismorik eza da (LiB). Alertak oso garrantzitsuak dira bateriak monitorizatzeko lanetan, are gehiago ekipo konplexuak eta sofistikatuak kudeatzen direnean.
Adibidez, tenperatura balio jakin batetik gora igotzen denean alertarik sortzen ez bada, bateriak arazo handiak izan ditzake, eta beharrezkoa da ordeztea.
IoT-aren esparruan, helburua da autonomia energetikoa lortzea modu iraunkorrean kargatu daitezkeen baterien bidez. Horretarako, interesgarria litzateke argia, beroa eta bibrazioak bezalako ingurumen-energiak aprobetxatzea eta elektrizitate bihurtzea. Izan ere, kontuan izan behar da gailu gehienek 10 urtetik gorako bizitza operatiboa dutela, eta horiek elikatzen dituzten bateriek, berriz, 2 urte edo gutxiago irauten dutela.
Machine Learning bateriei buruzko ikerketan:
Bateriei buruzko ikerketaren esparruan, hainbat paradigma erabili dira. Saiakuntza- eta errore-metodo esperimental tradizionalak aurretiko esperientzian oinarritzen dira, eta motelak, garestiak eta ez-eraginkorrak izaten dira.
Bestalde, multifisikan oinarritutako materialen simulazio tradizionalen muga batzuk, ereduetan oinarritutako zientzia teorikoaren eta simulazio konputazionalaren paradigma nabarmenak direnak, honako hauek dira: simulazio konputazionaleko metodoek gutxiago hartzen dituzte kontuan baldintza esperimental errealistak eta egitura hipotetikoak termodinamikoki egonkorrak ez izatea edo aplikazio praktikoetan ez existitzea. Gainera, konputazio-kostu handia eta simulazioen akats kuantitatiboak dira paradigma horien eragozpen nagusiak.