A * STAR లోని ఇన్స్టిట్యూట్ ఆఫ్ మెటీరియల్స్ రీసెర్చ్ అండ్ ఇంజనీరింగ్ వద్ద డాక్టర్ గారెత్ కండ్యూట్ నేతృత్వంలోని శాస్త్రవేత్తల బృందం, మరియు నాన్యాంగ్ టెక్నాలజీ విశ్వవిద్యాలయం ఎలక్ట్రిక్ వెహికల్ బ్యాటరీ స్థితులను అంచనా వేయడానికి మరియు లిథియం-అయాన్ కణాల స్థితికి 'ఖచ్చితమైన' అంచనాను ఇవ్వడానికి AI ని ఉపయోగించాయి. ఛార్జ్ మరియు ఆరోగ్యం.
ప్రచురించిన కథనం ప్రకారం, డేటా-ఆధారిత మెషీన్ లెర్నింగ్ మోడల్ టెక్నాలజీ తయారీదారులను సాఫ్ట్వేర్ను నేరుగా వారి బ్యాటరీ పరికరాల్లోకి చొప్పించడానికి దాని చక్ర జీవితాన్ని 6% వరకు మెరుగుపరచడానికి సాధారణ బ్యాటరీ మోడళ్లపై జీవిత కాలాలను 10% వరకు తప్పుగా లెక్కిస్తుంది.
బ్యాటరీల పనితీరు, వ్యయం మరియు భద్రత ఎలక్ట్రిక్ వాహనాల (EV లు) విజయవంతమైన అభివృద్ధిని నిర్ణయించే కారకాలు. ప్రస్తుతానికి, లిథియం-అయాన్ (లి-అయాన్) బ్యాటరీలు ఇతర బ్యాటరీల కంటే వాటి చక్ర జీవితం మరియు సహేతుకమైన శక్తి సాంద్రత కారణంగా ప్రాధాన్యత ఇవ్వబడతాయి. అయినప్పటికీ, లి-అయాన్ బ్యాటరీలపై మరింత పరిశోధన జరిగితే, ఇది మరింత క్లిష్టమైన బ్యాటరీ డైనమిక్స్కు దారి తీస్తుంది, ఇక్కడ భద్రత మరియు సామర్థ్యం ఆందోళన కలిగించే అంశంగా మారుతుంది. ఈ కారణంగా, వాహనాల విద్యుదీకరణకు భద్రతను ఆప్టిమైజ్ చేయగల మరియు పర్యవేక్షించగల అధునాతన బ్యాటరీ నిర్వహణ వ్యవస్థ చాలా ముఖ్యమైనది.
ఆరోగ్యం యొక్క స్థితి, ఛార్జ్ యొక్క స్థితి మరియు ఉపయోగకరమైన జీవితాన్ని అంచనా వేయడానికి యంత్ర అభ్యాస అల్గోరిథంలు అమలు చేయబడ్డాయి. డేటా ఆధారిత మోడళ్లపై దృష్టి కేంద్రీకరించబడింది మరియు వీటిని యంత్ర అభ్యాస పద్ధతులతో కలిపారు. ఈ నమూనాలు మరింత శక్తివంతమైనవిగా కనిపిస్తాయి మరియు తక్కువ గణన వ్యయంతో అధిక ఖచ్చితత్వాన్ని సాధించడంతో పాటు వ్యవస్థ యొక్క ప్రాధమిక జ్ఞానం లేకుండా can హించగలవు. డేటా నిల్వ పరికరాల తగ్గిన ఖర్చులు మరియు గణన సాంకేతిక పరిజ్ఞానం యొక్క పురోగతితో, డేటా-ఆధారిత యంత్ర అభ్యాసం భవిష్యత్తులో అధునాతన బ్యాటరీ మోడలింగ్ కోసం అత్యంత ఆశాజనకంగా ఉంటుంది.
బ్యాటరీ పరిశ్రమపై పరివర్తన కలిగించే ప్రభావాన్ని తీసుకురావడం మరియు యంత్ర అభ్యాసం బ్యాటరీ యొక్క ఆరోగ్యం మరియు జీవితాన్ని ఎలా ఖచ్చితంగా అంచనా వేయగలదో మరియు మెరుగుపరచగలదో హైలైట్ చేయడం అధ్యయనం యొక్క లక్ష్యం. ఇది తయారీదారులను సాఫ్ట్వేర్ను నేరుగా వారి బ్యాటరీ పరికరాల్లోకి పొందుపరచడానికి మరియు వినియోగదారు కోసం వారి జీవిత సేవలను మెరుగుపరచడానికి అనుమతిస్తుంది.