Skip to content
IT, technologijų, elektromobilių, dirbtinio intelekto ir kitos naujienos
IT, technologijų, elektromobilių, dirbtinio intelekto ir kitos naujienos

Technologijų, IT, elektromobilių, dirbtinio intelekto ir kiti naujienų pranešimai

  • Apžvalgos
  • Atsiliepimai
  • Buitinė technika
  • Kavos aparatai
  • Kompiuteriai
  • Naujienos
  • Patarimai
  • Telefonai
  • Televizoriai
  • Aktyvumas
  • Auto-Moto
  • NT
  • Pramogos
  • Servisas
  • Sveikata
  • Veikla
  • IT
  • Dirbtinis intelektas
  • Elektromobiliai
  • Technologijos
  • Tesla
  • REKLAMA
IT, technologijų, elektromobilių, dirbtinio intelekto ir kitos naujienos

Technologijų, IT, elektromobilių, dirbtinio intelekto ir kiti naujienų pranešimai

20 rugsėjo, 2025

Kaip dirbtinis intelektas keičia elektromobilių baterijų technologijas: nuo prognozavimo iki savaiminio optimizavimo

Baterijos ir algoritmai – nelaukta draugystė

Elektromobilių baterijos ilgą laiką buvo laikomos viena silpniausių grandžių visoje elektrinės transporto priemonės sistemoje. Jos degraduoja, perkaitsta, netikėtai praranda talpą šaltu oru ir kelia nerimą dėl realaus nuvažiuojamo atstumo. Tačiau pastaraisiais metais situacija keičiasi – ir čia svarbų vaidmenį vaidina dirbtinis intelektas.

Tai nėra kažkokia tolima ateities vizija. Šiandien DI jau aktyviai naudojamas tiek baterijų kūrimo laboratorijose, tiek pačiuose automobiliuose, kurie važinėja gatvėmis.

Prognozavimas: žinoti, kas nutiks, dar prieš tai nutinkant

Viena iš sričių, kur DI padarė didžiausią įtaką, yra baterijos būklės prognozavimas. Tradiciškai inžinieriai naudodavo gana paprastus matematinius modelius, kad įvertintų, kiek baterija dar išlaikys krūvį. Problema – tokie modeliai neatsižvelgdavo į daugybę kintamųjų: kaip vairuotojas važiuoja, kokioje temperatūroje automobilis stovi, kaip dažnai naudojamas greitas įkrovimas.

Mašininio mokymosi modeliai gali apdoroti tūkstančius tokių parametrų vienu metu. „Tesla”, pavyzdžiui, renka duomenis iš milijonų savo automobilių ir naudoja juos, kad tiksliau prognozuotų baterijos degradaciją kiekvienam konkrečiam vairuotojui. Rezultatas – ne bendras skaičius, o individualizuota prognozė.

Panašiai dirba ir tokios įmonės kaip „Dukosi” ar „Voltaiq” – jos kuria DI įrankius, skirtus baterijų diagnostikai ir prognozavimui, kuriuos naudoja tiek gamintojai, tiek elektromobilių parkai.

Įkrovimo optimizavimas – ne tik greičiau, bet ir protingiau

Greitas įkrovimas yra vienas didžiausių baterijos „priešų” – jis generuoja karštį ir pagreitina degradaciją. Čia DI algoritmai atlieka tikrai įdomų darbą: jie mokosi, kaip kiekviena konkreti baterija reaguoja į skirtingus įkrovimo greičius ir temperatūras, o tada dinamiškai reguliuoja įkrovimo kreivę.

Tai reiškia, kad tas pats įkroviklis gali elgtis skirtingai su skirtingais automobiliais – arba net su tuo pačiu automobiliu skirtingomis sąlygomis. „StoreDot” ir kitos startuolių kompanijos kuria sistemas, kuriose DI ne tik stebi, bet ir aktyviai valdo įkrovimo procesą realiuoju laiku.

Be to, DI gali atsižvelgti į elektros tinklo apkrovą, elektros kainas ir net vairuotojo planus – ir pasiūlyti optimalų įkrovimo laiką, kuris tausoja tiek bateriją, tiek piniginę.

Baterijos, kurios pačios save prižiūri

Savaiminis optimizavimas – tai žingsnis toliau nei paprastas prognozavimas. Čia kalbame apie sistemas, kurios ne tik numato problemas, bet ir pačios imasi veiksmų.

Moderniose baterijų valdymo sistemose (BMS) DI algoritmai gali:

  • perskirstyti krūvį tarp atskirų celių, kad sumažintų netolygų nusidėvėjimą
  • aktyvuoti aušinimą ar šildymą dar prieš temperatūrai pasiekiant kritinę ribą
  • apriboti galią tam tikrose situacijose, kad apsaugotų bateriją nuo perkrovos

„BYD” ir „CATL” – dvi didžiausios baterijų gamintojų pasaulyje – aktyviai investuoja į tokias sistemas. „CATL” pristatyta „Cell-to-Pack” technologija kartu su DI valdymu leidžia pasiekti aukštesnį efektyvumą ir ilgesnį baterijos tarnavimo laiką.

Laboratorija pagreitina tempą

DI keičia ne tik tai, kaip baterijos veikia – jis keičia ir tai, kaip jos kuriamos. Naujos medžiagos tradiciškai buvo testuojamos metų metus. Dabar DI modeliai gali simuliuoti tūkstančius medžiagų kombinacijų per kelias dienas ir numatyti, kurios iš jų labiausiai perspektyvios.

„Google DeepMind” 2023 metais paskelbė apie „GNoME” projektą – DI sistemą, kuri identifikavo daugiau nei 2 milijonus naujų kristalų struktūrų, tarp jų ir potencialiai naudingų baterijų gamybai. Tai drastiškai sutrumpina kelią nuo laboratorijos iki gamybos.

Panašiai dirba ir „Microsoft” kartu su „Pacific Northwest National Laboratory” – jų DI sistema per kelias savaites pasiūlė naują elektrolito formulę, kuri sumažina ličio kiekį baterijoje, neprarandant efektyvumo.

Kai viskas susideda į vieną paveikslą

Žiūrint į visą šį vaizdą kartu, matyti aiški tendencija: DI nebėra tik pagalbinis įrankis baterijų technologijose – jis tampa centrine šios srities dalimi. Nuo molekulių modeliavimo laboratorijoje iki realaus laiko sprendimų važiuojančiame automobilyje – algoritmai dalyvauja kiekviename žingsnyje.

Tai nereiškia, kad visos problemos išspręstos. Baterijos vis dar brangios, vis dar turi ribotą tarnavimo laiką, vis dar kelia klausimų dėl antrinės panaudojimo galimybės. Tačiau DI integravimas į šią sritį rodo, kad progresas vyksta greičiau nei daugelis tikėjosi – ir greičiausiai tai tik pradžia.

Dirbtinis intelektas Elektromobiliai

Navigacija tarp įrašų

Previous post
Next post
©2026 IT, technologijų, elektromobilių, dirbtinio intelekto ir kitos naujienos | WordPress Theme by SuperbThemes