iMOE: التنبؤ بمسار تدهور بطارية الدورة الثانية باستخدام خليط خبراء قابل للتفسير

لماذا تهم الحياة الثانية لبطاريات السيارات

مع وصول ملايين السيارات الكهربائية إلى نهاية حياتها الأولى، لا تزال بطارياتها تحتفظ بكمية مفاجئة من الطاقة القابلة للاستخدام. إضفاء حياة ثانية على هذه البطاريات «المتقاعدة» في أنظمة الطاقة الاحتياطية أو شبكات القرى الصغيرة يمكن أن يقلل التكاليف والهدر على مستوى العالم. لكن هناك مشكلة: لا أحد يعرف حقًا مدى سرعة تدهور بطارية مستخدمة بعينها، والخطأ في التقدير قد يؤدي إلى أعطال أو حرائق أو استثمارات ضائعة. تقدم هذه الدراسة طريقة جديدة للتنبؤ بكيفية شيخوخة البطارية المستعملة باستخدام فحص سريع وغير مدمر فقط، مما قد يغيّر كيفية إعادة استخدام البطاريات على نطاق واسع.

من السيارة إلى الشبكة: مشكلة تنبؤية

الطريقة الحالية لتقييم بطارية متقاعدة من السيارة بطيئة ومكلفة وغالبًا ما تكون مدمرة. الأساليب التقليدية إما تفكك الخلايا لاختبارها في المختبر أو تضعها خلال دورات شحن–تفريغ كاملة قد تستغرق أيامًا لكل حزمة. وتبقى العديد من تقنيات الاستشعار المتقدمة محصورة في معامل البحث. فوق ذلك، قد تضع استخدامات الحياة الثانية مثل تخزين المنازل أو الأنظمة خارج الشبكة البطاريات في أنماط شحن وتفريغ ودرجات حرارة تختلف كثيرًا عما شهدته في السيارة. وبما أن تآكل البطارية يعتمد بقوة على استخدامها الماضي والمستقبلي، تفشل معظم النماذج المعتمدة على البيانات عندما تفتقر إلى سنوات من السجلات التاريخية أو عندما تتغير ظروف التشغيل الجديدة. التحدي هو أن ننظر إلى البطارية مرة واحدة، بغض النظر عن مستوى الشحن الذي وصلت به، ونظل قادرين على التنبؤ بصحتها المستقبلية تحت ظروف جديدة.

فحص صحي سريع بدلاً من سجل طبي كامل

يقترح المؤلفون نهجًا يسمى خليط خبراء قابل للتفسير، أو iMOE، الذي يهدف إلى تحقيق ذلك بالضبط. بدلًا من المطالبة بسجلات طويلة، يستخدم الأسلوب إشارات يسهل جمعها ميدانيًا خلال شحنة واحدة محكومة. يقوم الفنيون بشحن البطارية جزئيًا من أي حالة شحن وصلت بها ثم يتركونها لترتاح. من طريقة تغير الجهد خلال هذه الشحنة القصيرة وفترة الاسترخاء التالية، يستخلص النموذج مجموعة صغيرة من الميزات المستندة إلى الفيزياء التي تعكس المقاومة الداخلية والاستقطاب ومقدار الليثيوم القابل للاستخدام المتبقي. هذه الدلائل المكثفة، إلى جانب وصف لنمط الاستخدام المستقبلي المخطط—مثل معدلات الشحن والتفريغ ودرجة الحرارة—تشكل مدخلات نظام التنبؤ.

خبراء كثيرون، توقع موحد واحد

داخل iMOE، تُعالج هذه المدخلات بواسطة مجموعة من «الخبراء» الافتراضيين، كل واحد مهيأ لنمط نموذجي من تآكل البطارية. بعضهم يشبه سلوك العمر المبكر الذي يهيمن عليه نمو طبقة واقية على الأقطاب، والبعض الآخر يلتقط تضخم هذه الطبقة في منتصف العمر، والبعض يمثل عمليات متأخرة مثل ترسيب الليثيوم وفقدان المادة الفعالة. يفحص مُوَجِّه الوزن الميزات الفيزيائية ويقرر مدى وزن كل خبير لبطارية معينة، مصنفًا بشكل فعال وضع التدهور السائد دون الاطلاع على تاريخها. المزيج الموزون لمخرجات الخبراء يشكل اتجاهًا قصير الأمد لكيفية تغير السعة على الأرجح في المستقبل القريب.

النظر إلى المستقبل عبر العديد من دورات الشحن–التفريغ

الاتجاه قصير الأمد وحده غير كافٍ؛ فشدة المعاملة التي ستتعرض لها البطارية في حياتها الثانية مهمة كذلك. لمعالجة ذلك، يأخذ موديول ثانٍ، شبكة عصبية متكررة، الاتجاه مع ملف الحمل المستقبلي المخطط—دورة بدورة بمعدلات الشحن والتفريغ ودرجة الحرارة—ويُدحرج التنبؤ على مدى عشرات إلى مئات الدورات المستقبلية. عند اختباره على ثلاث مجموعات بيانات كبيرة تغطي 295 خلية تجارية و93 حالة تشغيل وأكثر من 84,000 دورة، تنبأ iMOE باستمرار بمسارات السعة المستقبلية الكاملة بدقة أخطاء عادة أقل من 1–3 بالمئة، حتى عندما كانت الظروف المستقبلية عشوائية أو عندما كانت البطاريات متقدمة في العمر بعد استخدام سابق غير معروف. كما عمل بشكل أسرع وأكثر كفاءة من نماذج التنبؤ الزمنية الرائدة مع استخدام بيانات تدريب أقل.

رؤية داخل الصندوق الأسود

على عكس العديد من أنظمة التعلم الآلي، صُمم iMOE ليكون قابلاً للقراءة بواسطة علماء ومهندسي البطاريات. بفحص كيفية تخصيص الموجه للأوزان للخبراء المختلفين عبر عمر الخلية، يظهر المؤلفون أن النموذج يفصل طبيعيًا مراحل التدهور المبكرة والوسطى والمتأخرة، متوافقًا مع العمليات الفيزيائية المعروفة. تم توجيه البطاريات المتقاعدة وهي بصحة أعلى نحو خبراء معينين، بينما تُفعّل البطاريات المتآكلة بشدة خبراء آخرين. عندما عبَّث الباحثون عمدًا بميزات فيزيائية محددة أو أُجبر الموجه على استخدام خبراء خاطئين، ارتفعت أخطاء التنبؤ، مما يبرز أن النظام لا يكتفي بملاءمة منحنيات بل مرتبط بسلوك داخلي ذي معنى.

ماذا يعني هذا لأنظمة الطاقة المستقبلية

بعبارات بسيطة، يقدم هذا العمل طريقة لمعرفة، في غضون أجزاء من الثانية وبدون اختبار طويل، كيف من المرجح أن تتقدم بطارية مستخدمة في وظيفتها الثانية. قد تتيح هذه القدرة للمُعِيدين للتدوير ومشغلي الشبكات ومطوري المشاريع فرز كميات كبيرة من الخلايا المتقاعدة إلى أدوار مناسبة وآمنة—مثل التخزين الثابت طويل العمر مقابل الاستخدامات قصيرة الأمد—أو إرسال الحزم عالية المخاطر مباشرة إلى التدوير. ومع أن الطريقة لا تزال تعتمد على روابط إحصائية بدلاً من السببية الفيزيائية الكاملة وتفترض معرفة خطية بخطط الاستخدام المستقبلية التقريبية، فإنها تمثل خطوة نحو إعادة استخدام البطاريات بصورة أكثر ذكاءً وأمانًا واقتصادية، مما يساعد على تمديد قيمة المواد المستخرجة والمصنّعة بالفعل.

الاستشهاد: Huang, X., Tao, S., Liang, C. et al. iMOE: prediction of second-life battery degradation trajectory using interpretable mixture of experts. Nat Commun 17, 2549 (2026). https://doi.org/10.1038/s41467-026-69369-1

الكلمات المفتاحية: البطاريات ذات الحياة الثانية, التنبؤ بتدهور البطاريات, التعلم الآلي لتخزين الطاقة, خليط الخبراء, صحة بطاريات الليثيوم أيون