تنبؤ بحالة البطارية قائم على التعلم العميق لتعزيز أداء المركبات الكهربائية

لماذا تهم البطاريات الأذكى للسائقين اليوميين

بالنسبة للعديد من السائقين، جذور جاذبية السيارة الكهربائية بسيطة: ركوب هادئ، تكاليف وقود منخفضة، وهواء أنظف. لكن كل هذا يعتمد على عنصر يعمل خلف الكواليس — بطارية الليثيوم‑أيون. مع تقدم عمر هذه البطاريات، تقل المسافة المقطوعة بشحنة واحدة، تستغرق عمليات الشحن وقتًا أطول، وقد تكون الاستبدالات مكلفة ومُستهلكة للموارد. تستكشف هذه الورقة نهجًا جديدًا لـ«الاستماع» لما يحدث داخل بطاريات المركبات الكهربائية باستخدام أدوات متقدمة للتعرف على الأنماط. الهدف هو التنبؤ بصحة البطارية بدقة أكبر وباستهلاك حوسبة أقل، حتى تبقى السيارات أكثر أمانًا على الطريق لفترة أطول وتدعم أهداف الطاقة النظيفة العالمية.

كيف تتآكل بطاريات السيارات الكهربائية

كل رحلة في سيارة كهربائية تعني آلاف التفاعلات الكيميائية الدقيقة داخل بطاريتها. مع مرور الوقت، تؤدي عمليات الشحن والتفريغ المتكررة، وتقلبات درجات الحرارة، والتفاعلات الجانبية إلى تآكل قدرة البطارية على تخزين وتوصيل الطاقة ببطء. يلاحظ السائقون ذلك في شكل انخفاض المدى وضعف الأداء. يتتبع المهندسون مقياسًا يسمى «حالة الصحة»، الذي يقارن سعة البطارية الحالية بما كانت تستطيع توفيره عندما كانت جديدة. معرفة هذه القيمة بدقة تتيح للسيارات تحذير السائقين بشأن العمر المتبقي، وجدولة الصيانة مسبقًا، وحتى اتخاذ قرار حول متى يكون من الأفضل إعادة استخدام البطارية في دور ثانٍ، مثل تخزين الطاقة المنزلية، بدلاً من التخلص منها.

الاستماع إلى الإشارات الخفية داخل البطارية

البطاريات الحديثة مزودة بالفعل بمستشعرات تسجل الجهد، التيار، درجة الحرارة، ومقدار الشحنة المتدفقة داخلاً وخارجًا. بدلًا من إضافة أجهزة مكلفة جديدة، يركز الباحثون على استخراج مزيد من الرؤية من هذه الإشارات المألوفة. يحولون القياسات الخام إلى ثلاثة أنواع من «البصمات» التي تكشف عن الشيخوخة الدقيقة: كيف تتغير السعة مع الجهد، كيف يتغير الجهد مع الشحنة، وكيف يتفاعل التيار مع الجهد. مع تآكل البطارية، تتحرك قمم هذه المنحنيات أو تتسع أو تتلاشى — وهي علامات على ارتفاع المقاومة الداخلية، وفقدان المادة الفعالة، وعمليات تآكل أخرى. التحدي أن هذه التواقيع ضوضائية، وتختلف بين أنواع البطاريات، وتتغير ببطء عبر آلاف الدورات.

تعليم شبكة عصبية مدمجة لقراءة صحة البطارية

لفك شفرة هذه البصمات، يصمم الباحثون نموذج تعلم عميق مبسط يمكن تشغيله على حواسب السيارة المحدودة القدرات. أولًا، ينظفون ويُحاذون بعناية بيانات أكثر من 10,000 دورة شحن–تفريغ مأخوذة من ثلاث مجموعات بيانات عامة رئيسية. ثم يقومون بإدخال المنحنيات التشخيصية الثلاث في شبكة طبقية تجمع بين عدة نقاط قوة: طبقات التلافيف لاكتشاف الأشكال المحلية في المنحنيات، طبقات زمنية لالتقاط الاتجاهات طويلة الأمد عبر العديد من الدورات، ووحدات ذاكرة تتتبع كيفية تطور التدهور عبر الزمن. تساعد وحدة انتباه النموذج على التركيز على نطاقات الجهد الأكثر أهمية للشيخوخة بدلًا من التشتت بالضوضاء أو الأجزاء الأقل إفادة من الإشارة.

تفوق على النماذج الأثقل مع استهلاك طاقة أقل

عند الاختبار مقابل طرق معروفة — مثل أساليب التعلم الآلي التقليدية، الشبكات العصبية الأبسط، ونماذج التسلسل على غرار Transformer — يتنبأ الإطار الجديد بحالة البطارية بدقة أعلى. على مجموعة بيانات ناسا الرئيسية، تتطابق تقديراته مع القيم المقاسة بحيث يكون الخطأ النموذجي نحو اثنين في المئة من السعة، وأكثر من تسعة من كل عشرة تنبؤات تقع ضمن واحد ونصف في المئة من القيمة الحقيقية. والأهم أن النموذج يحقق ذلك بعدد قابل للضبط يقارب ثلث مليون معلمة فقط، وهو أقل بكثير من العديد من تصاميم التعلم العميق الحديثة. هذا الحجم الكومبكت يترجم إلى استجابات أسرع — على مقياس بضعة ملِّي ثوانٍ لكل تنبؤ — ونحو ربع طاقة أقل مستخدمة لكل حساب مقارنة بالهياكل الأثقل، مما يجعله عمليًا للاستخدام في الوقت الحقيقي داخل أنظمة إدارة البطارية على متن المركبة.

بناء الثقة من خلال أنماط شفافة

نظرًا لأن السلامة محورية في المركبات الكهربائية، يتجاوز المؤلفون جانب الدقة ويفحصون ما «ينظر» إليه نموذجهم عندما يقيم صحة البطارية. من خلال تصور أوزان الانتباه الداخلية وأدوات ذات صلة، يجدون أن الشبكة تركز طبيعيًا على نطاقات الجهد المعروفة من الكيمياء الكهربائية بأنها حساسة للشيخوخة، بدلًا من أجزاء عشوائية من الإشارة. هذا التوافق مع الفهم الفيزيائي يساعد في بناء الثقة بأن التنبؤات ليست مجرد خدع رقمية. كما يختبر الفريق مدى تأقلم النموذج مع كيميائيات بطارية وظروف اختبار مختلفة، مظهرين أن الشبكة المدربة على مجموعة بيانات واحدة لا تزال تؤدي أداءً قويًا على مجموعات أخرى مع تراجع طفيف فقط في الدقة.

ماذا يعني هذا للسفر النظيف وبأسعار معقولة

بعبارات بسيطة، تُظهر الدراسة أن شبكة عصبية خفيفة ومهندسة بعناية يمكن أن تعمل كنظام إنذار مبكر لصحة البطارية دون أن تتطلب موارد من مستوى الحواسب الفائقة. من خلال تزويد مصنعي السيارات ومشغلي الشبكات بصورة أوضح عن كيفية شيخوخة البطاريات في الوقت الحقيقي، يمكن لمثل هذه الأدوات إطالة عمر البطاريات، وتقليل الاستبدالات غير الضرورية، ودعم استخدامات آمنة في الدورة الثانية. هذا يعني استخراج موارد خام أقل، نفايات إلكترونية أقل، ومركبات كهربائية أكثر موثوقية — وكل ذلك يساهم مباشرة في جهود أوسع لجعل أنظمة الطاقة أنظف وأكثر كفاءة وأقل تكلفة على مستوى العالم.

الاستشهاد: Rahman, T., Deb, N., Moniruzzaman, M. et al. Deep learning-based battery health prediction for enhancing electric vehicle performance. Sci Rep 16, 9871 (2026). https://doi.org/10.1038/s41598-026-39911-8

الكلمات المفتاحية: بطاريات المركبات الكهربائية, حالة صحة البطارية, تشخيصات التعلم العميق, التنقل المستدام, عمر تخزين الطاقة