هوش مصنوعی به کمک باتری‌های لیتیومی آمد / تشخیص صدای آتش‌سوزی قبل از وقوع حادثه

باتری‌های لیتیوم‌یونی، که یکی از اجزای اصلی دستگاه‌های الکترونیکی و خودروهای الکتریکی هستند، با وجود مزایای فراوان، همچنان با چالش‌های ایمنی همراه‌اند. یکی از خطرات اصلی این باتری‌ها، آتش‌سوزی ناشی از افزایش دمای ناگهانی و واکنش‌های شیمیایی درونی است.

در سال‌های اخیر، تلاش‌های زیادی برای توسعه فناوری‌های ایمن‌سازی این باتری‌ها انجام شده است. اکنون، محققان موفق به ابداع روشی شده‌اند که با استفاده از الگوریتم‌های یادگیری ماشینی (ML) و تحلیل صدا، می‌تواند با دقت بالا پیش از وقوع آتش‌سوزی، نشانه‌های خطر را تشخیص دهد و کاربران را از وقوع حادثه آگاه کند.

فناوری جدید تشخیص صدا در باتری‌های لیتیوم‌یونی

محققان مؤسسه ملی استاندارد و فناوری (NIST) با همکاری دانشگاه علم و صنعت شیان، روشی نوین برای شناسایی آتش‌سوزی باتری‌های لیتیوم‌یونی ارائه داده‌اند. این روش بر تشخیص صدای متمایزی متمرکز است که هنگام شروع فرار حرارتی (Thermal Runaway) در باتری ایجاد می‌شود.

صدای هشداردهنده؛ نشانه‌ای از آغاز آتش‌سوزی

در زمان بروز فرار حرارتی، واکنش‌های شیمیایی درون باتری باعث افزایش شدید فشار داخلی می‌شوند. این افزایش فشار باعث شکسته شدن سوپاپ اطمینان باتری می‌شود، که صدایی شبیه به باز کردن بطری نوشیدنی‌های گازدار تولید می‌کند. این صدا، به دلیل متمایز بودن، می‌تواند با استفاده از الگوریتم‌های یادگیری ماشینی شناسایی شود.

برای توسعه این فناوری، محققان صدای تولید شده از 38 باتری لیتیوم‌یونی را که عمداً به شرایط فرار حرارتی رسانده شده بودند، ضبط کردند. سپس، با تغییر پارامترهایی مانند سرعت و زیر و بم صداها، تعداد نمونه‌های صوتی را به بیش از 1000 مورد افزایش دادند. این داده‌های گسترش‌یافته به الگوریتم آموزش دادند تا الگوی صدای خطر را شناسایی کند.

دقت بالا در تشخیص صدا

این فناوری توانست با استفاده از میکروفون نصب شده روی دوربین، در 94 درصد مواقع صدای ناشی از افزایش دمای باتری را تشخیص دهد. برای آزمایش دقت مدل، صداهای مختلفی مانند بسته شدن درها، راه رفتن افراد و باز کردن قوطی نوشابه نیز به الگوریتم ارائه شد. نتایج نشان داد که این سیستم در اغلب موارد قادر به تشخیص صحیح صدای خطر است و تنها تعداد کمی از صداهای مشابه توانستند الگوریتم را دچار اشتباه کنند.

محققان با استفاده از ساختار شبکه عصبی کانولوشن (CNN) و داده‌های صوتی 10 ثانیه‌ای، مدلی توسعه دادند که دقت کلی آن به 93.9 درصد می‌رسد. همچنین، مدل در ارزیابی‌های مرتبط با پارامترهایی مانند دقت و یادآوری، به ترتیب امتیازات 91.6 و 97.7 درصد را کسب کرد. این نتایج نشان‌دهنده توانایی بالای مدل در تشخیص صدای خطر در شرایط واقعی است.

مزایا و کاربردهای عملی فناوری

این روش جدید می‌تواند به تولید دستگاه‌های هشداردهنده پیشرفته‌ای منجر شود که پیش از وقوع آتش‌سوزی در باتری‌های لیتیوم‌یونی، کاربران را از خطر آگاه می‌کنند. چنین دستگاه‌هایی به کاربران امکان می‌دهند تا پیش از وقوع حوادث جدی، اقدامات لازم برای کاهش خطر را انجام دهند یا به‌صورت ایمن تخلیه شوند.

فناوری تشخیص صدای گرم شدن باتری‌های لیتیوم‌یونی، گامی انقلابی در افزایش ایمنی خودروهای الکتریکی و دستگاه‌های مجهز به این نوع باتری‌ها محسوب می‌شود. این فناوری نه تنها می‌تواند جان افراد را نجات دهد، بلکه به کاهش خسارات ناشی از آتش‌سوزی باتری نیز کمک می‌کند.

با پیشرفت‌های بیشتر در این حوزه، انتظار می‌رود که این الگوریتم به عنوان بخشی از سیستم‌های ایمنی استاندارد در دستگاه‌های مجهز به باتری‌های لیتیوم‌یونی گنجانده شود. این نوآوری نمایانگر قدرت یادگیری ماشینی در حل چالش‌های دنیای واقعی و بهبود کیفیت زندگی انسان‌ها است.

اخبار حوزه محیط‌زیست و تغییرات اقلیمی را در صفحه اقتصاد سبز تجارت‌نیوز بخوانید.

منبع: تجارت نیوز