iMOE: yorumlanabilir uzman karışımı kullanarak ikinci hayat pil bozulma eğrisinin tahmini

Otomobil pilleri için ikinci hayatların önemi

Milyonlarca elektrikli otomobil ilk yaşam döngüsünü tamamladığında, piller hâlâ şaşırtıcı miktarda kullanılabilir enerji saklar. Bu "emekli" pilleri yedek güç sistemlerinde veya köy mikro şebekelerinde ikinci hayata kazandırmak, dünya genelinde maliyetleri ve atıkları azaltabilir. Ancak bir sorun var: tek bir kullanılmış pilin ne kadar hızlı eskilebileceğini gerçekten kimse kesin olarak bilmiyor ve yanlış tahminler arızalara, yangınlara veya boşa yatırımlara yol açabilir. Bu çalışma, yalnızca hızlı ve tahribatsız bir kontrole dayanarak ikinci el bir pilin nasıl yaşlanacağını öngören yeni bir yöntem sunuyor; bu da pillerin ölçekli yeniden kullanımını değiştirebilir.

Arabadan şebekeye: bir tahmin problemi

Bugün, emekli bir otomobil pilinin değerlendirilmesi yavaş, pahalı ve çoğu zaman tahrip edici. Geleneksel yöntemler ya hücreleri söküp laboratuvar testlerine tabi tutuyor ya da paket başına günler sürebilen tam şarj–deşarj döngüleriyle test ediyor. Birçok gelişmiş sensör tekniği hâlâ araştırma laboratuvarlarıyla sınırlı. Ayrıca, ev depolaması veya şebekeden bağımsız sistemler gibi ikinci hayat kullanımları, pilleri araç içindekinden çok farklı şarj, deşarj ve sıcaklık desenlerine maruz bırakabilir. Pil yıpranması geçmişe ve gelecekteki kullanıma güçlü biçimde bağlı olduğu için, çoğu mevcut veri odaklı model yıllarca süren geçmiş verilerinden yoksun olduğunda veya yeni işletim koşulları değiştiğinde başarısız oluyor. Zorluk, bir pili bir kez, elinde bulunduğu şarj seviyesinde inceleyip yine de onun yeni koşullar altındaki gelecekteki sağlığını tahmin edebilmek.

Tam bir tıbbi geçmiş yerine hızlı bir sağlık kontrolü

Yazarlar, yorumlanabilir uzman karışımı (interpretable mixture of experts, iMOE) adını verdikleri bir yaklaşım öneriyor; amaç tam da bu. Uzun kayıtlar talep etmek yerine yöntem, tek bir kontrollü şarj sırasında sahada kolayca toplanabilen sinyalleri kullanıyor. Teknisyenler pili geldiği şarj durumundan kısmen şarj ediyor ve ardından dinlenmeye bırakıyor. Bu kısa şarj ve sonrasındaki gevşeme sırasında gerilimdeki değişimlerden model, iç direnç, polarizasyon ve kullanılabilir lityum miktarını yansıtan bir avuç fiziksel temelli özellik çıkarıyor. Bu yoğunlaştırılmış ipuçları ile planlanan gelecekteki kullanım deseninin—şarj ve deşarj hızları ile sıcaklık gibi—tanımı, tahmin sistemine girdi oluşturuyor.

Birçok uzman, tek bir birleşik tahmin

iMOE içinde bu girdiler, her biri tipik bir pil yıpranma modeline uyarlanmış sanal "uzman" seti tarafından işleniyor. Bazıları elektrotlardaki koruyucu filmin büyümesinin hüküm sürdüğü erken yaşam davranışına benzerken, diğerleri bu filmin orta yaşta kalınlaşmasını yakalıyor ve bazıları ise lityum kaplanması ve aktif madde kaybı gibi geç aşama süreçleri temsil ediyor. Bir yönlendirme modülü fiziksel özellikleri inceleyip her bir uzmana pil için ne kadar ağırlık verileceğine karar vererek, pilin baskın bozulma modunu geçmişini görmeden etkili biçimde sınıflandırıyor. Uzman çıktılarının ağırlıklı birleşimi, kapasitenin bir sonraki dönemde nasıl değişme eğiliminde olacağına dair kısa vadeli bir eğri oluşturuyor.

Birçok şarj–deşarj döngüsüne bakmak

Kısa vadeli eğilim tek başına yeterli değil; pilin ikinci hayatında nasıl muamele göreceği de önemli. Bunu ele almak için ikinci bir modül, bir tekrarlayan sinir ağı, eğilimi planlanan gelecekteki yük profili—döngü bazında şarj hızı, deşarj hızı ve sıcaklık—ile birlikte alıp tahmini onlarca ila yüzlerce gelecek döngü boyunca ilerletiyor. 295 ticari hücreyi, 93 işletim koşulunu ve 84.000'den fazla döngüyü kapsayan üç büyük veri kümesi üzerinde test edildiğinde, iMOE genellikle tüm gelecekteki kapasite eğrilerini yüzde 1–3 aralığının altında hatalarla tutarlı şekilde tahmin etti; hatta gelecekteki koşullar rastgele olduğunda veya piller geçmiş kullanımları altında derin biçimde yaşlanmış olduğunda bile. Ayrıca önde gelen zaman serisi tahmin modellerine kıyasla daha hızlı ve daha verimli çalıştı ve daha az eğitim verisi kullandı.

Siyah kutunun içini görmek

Çoğu makine öğrenimi sistemiyle farklı olarak, iMOE pil bilimcileri ve mühendisleri tarafından okunabilir olacak şekilde tasarlandı. Yönlendiricinin bir hücrenin yaşamı boyunca farklı uzmanlara nasıl ağırlık verdiğini inceleyerek, yazarlar modelin doğal olarak erken, orta ve geç bozulma aşamalarını ayırdığını ve bunun bilinen fiziksel süreçlerle uyum sağladığını gösteriyor. Daha yüksek sağlıkla emekli edilen piller belirli uzmanlara yönlendirilme eğilimindeyken, ağır aşınmış piller diğerlerini aktive ediyor. Araştırmacılar belirli fiziksel özellikleri kasıtlı olarak bozduğunda veya yönlendiricinin yanlış uzmanları kullanmasını zorladıklarında tahmin hataları arttı; bu da sistemin yalnızca eğri uydurmakla kalmayıp anlamlı iç davranışla ilişkili olduğunu vurguluyor.

Gelecek enerji sistemleri için anlamı

Düz bir ifadeyle, bu çalışma uzun bir teste gerek kalmadan milisaniyeler içinde kullanılmış bir pilin ikinci görevinde nasıl yaşlanacağını söylemenin bir yolunu sunuyor. Bu yetenek, geri dönüşümcülerin, şebeke operatörlerinin ve proje geliştiricilerin emekli hücreleri güvenli ve uygun rollere—uzun ömürlü sabit depolama ile kısa vadeli kullanımlar gibi—ayırmasına veya yüksek riskli paketleri doğrudan geri dönüşüme göndermesine olanak tanıyabilir. Yöntem hâlâ tam fiziksel nedensellik yerine istatistiksel bağlantılara dayansa ve kaba gelecekteki kullanım planlarının bilindiğini varsaysa da, zaten çıkarılmış ve üretilmiş materyallerin değerini uzatmaya yardımcı olarak pil yeniden kullanımını daha akıllı, daha güvenli ve daha ekonomik hale getirme yönünde bir adımı temsil ediyor.

Atıf: 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

Anahtar kelimeler: ikinci hayat pilleri, pil bozulma tahmini, enerji depolama için makine öğrenimi, uzman karışımı, lityum-iyon pil sağlığı