Bagaimana AI membuat kendaraan listrik lebih aman dan lebih efisien

Lebih dari 250.000 kendaraan listrik (EV) terjual setiap minggu tahun lalu secara global, menurut survei terbaru dari Badan Energi Internasional. Survei ini juga menemukan bahwa adopsi konsumen berada pada titik kritis, dengan para eksekutif industri mengharapkan EV menyumbang 40% dari penjualan mobil pada tahun 2030, sebagian besar karena harga EV menjadi lebih murah.

Baterai adalah kontributor tunggal terbesar terhadap biaya EV dan merupakan titik rawan untuk masalah keamanan dan kinerja.

Namun, riset baru dari University of Arizona menunjukkan bahwa machine learning dapat membantu mencegah baterai EV meledak. Pembuat mobil juga dapat menggunakan algoritma canggih untuk menentukan bahan kimia, ukuran, dan bentuk spesifik yang mengarah pada kinerja terbaik dan mobil yang lebih berkelanjutan.

“Mengembangkan dan menyempurnakan baterai hipotetis ini dapat membuka peluang bernilai miliaran dolar,” kata Benjamin Boeser, direktur inovasi di Mercedes-Benz, mitra IBM.

Meskipun masih awal, AI diperkirakan akan meningkatkan nilai yang dirasakan EV lebih dari 20%, menurut survei lapangan baru-baru ini dari IBM Institute for Business Value.

Baterai ion lithium telah menjadi raja di pasar baterai EV global selama bertahun-tahun, sebagian besar karena kepadatan energinya yang luar biasa, masa pakai yang lebih lama, dan desain yang ringan.

Kekhawatiran keamanan tetap ada dengan baterai ion lithium, terutama terkait dengan risiko “pelarian termal.” Hal ini terjadi ketika suhu baterai melonjak secara tidak terduga, sehingga menimbulkan risiko baterai gagal, terbakar atau bahkan meledak.

Pelarian termal dapat terjadi karena berbagai faktor, termasuk pengisian daya yang berlebihan, pemakaian yang berlebihan, paparan suhu tinggi, cacat produksi, dan korsleting internal.

Untuk mengatasi pelarian termal, sebuah tim di University of Arizona telah mengembangkan model machine learning untuk memprediksi dan mencegah lonjakan suhu pada baterai ion lithium.

Kendaraan listrik biasanya memiliki paket baterai yang terdiri dari ratusan sel yang terhubung secara erat yang dikemas ke dalam modul. Jika pelarian termal terjadi dalam satu sel, sel-sel di dekatnya sangat mungkin memanas juga.

"Ini menciptakan reaksi berantai karena suhu dalam baterai meningkat secara eksponensial," kata Basab Ranjan Das Goswami, peneliti utama dalam proyek ini. “Jika ini terjadi, seluruh baterai di kendaraan listrik bisa meledak.”

Terinspirasi oleh kerangka kerja forecasting yang memperhitungkan waktu dan lokasi, tim mengembangkan algoritma untuk memprediksi kapan dan di mana pelarian termal kemungkinan akan dimulai. Dengan menggunakan sensor termal yang dibungkus di sekitar sel baterai, mereka memasukkan data suhu historis ke dalam machine learning untuk memprediksi suhu di masa depan.

"Jika kita mengetahui lokasi titik panas atau awal terjadinya pelarian panas, kita dapat merencanakan solusi untuk menghentikan baterai sebelum mencapai tahap penting tersebut," kata Goswami.

Solusi potensial di masa depan dapat mencakup sistem peringatan dini yang deteksi titik api di masa depan dan mengaktifkan sakelar pengaman untuk memutus sambungan listrik dari paket utama.

Selain membuat baterai lebih aman, algoritma canggih juga dapat meningkatkan kinerja dan keberlanjutannya.

“Pada masa depan, chip AI dengan konsumsi energi rendah akan membantu mengurangi kebutuhan baterai besar,” kata Noriko Suzuki, pemimpin pemikiran teknologi di IBM Institute for Business Value. “Baterai EV mahal dan sangat berat, menyebabkan lebih banyak tekanan pada infrastruktur jalan.

Research Lab IBM di Almaden, California, memiliki proyek khusus menggunakan AI dan machine learning untuk mengembangkan baterai yang lebih kuat, berkelanjutan, dan hemat energi untuk kendaraan EV.

Secara khusus, tim menggunakan AI dan alur kerja machine learning untuk mempercepat penemuan dan optimalisasi bahan elektrolit — komponen penting yang berdampak pada keamanan, stabilitas, dan efisiensi baterai. Alur kerja ini mengintegrasikan alur kerja simulasi otomatis dan pengetahuan dan kumpulan data khusus domain yang luas dengan model AI yang dibuat khusus, untuk menemukan formulasi elektrolit baru untuk baterai berkinerja tinggi.

“AI memiliki potensi untuk meningkatkan penemuan bahan dan proses baterai yang kompleks, memungkinkan pengisian yang lebih cepat, kepadatan energi yang lebih tinggi, dan peningkatan keberlanjutan,” kata Murtaza Zohair, seorang ilmuwan riset IBM di lab Almaden.

Model dasar AI multimodal, model kimia besar yang telah dilatih sebelumnya pada lebih dari 90 juta molekul, dapat disempurnakan dengan kumpulan data baterai berlabel untuk memprediksi sifat bahan yang kompleks, seperti formulasi elektrolit, untuk mengoptimalkan kinerja baterai. Algoritma pencarian mendalam dapat dengan cepat menarik pengetahuan dari volume besar literatur ilmiah yang ada. Toolkit simulasi dapat secara efisien memutuskan jenis simulasi yang akan dijalankan untuk lebih memahami materi dan fungsinya. Terakhir, model generatif dapat dengan cepat menyarankan bahan baru.

Sementara beberapa peneliti berfokus pada kimia baterai internal, peneliti lainnya menggunakan AI untuk mempelajari faktor eksternal yang dapat membantu mengurangi energi yang dikonsumsi oleh baterai EV.

Sekelompok peneliti di Arab Academy for Science di Giza, Mesir, baru-baru ini mengembangkan algoritma baru untuk sistem GPS EV, yang memilih rute perjalanan terpendek, tercepat, dan paling hemat energi.

Para peneliti menggunakan algoritma ini untuk memeriksa konsumsi energi kendaraan listrik di berbagai topologi jalan yang berbeda, mengevaluasi dampak dari berbagai model kendaraan, kecepatan dan arah angin terhadap konsumsi energi.

Para peneliti menemukan bahwa kecepatan dan arah angin dapat menghemat sekitar 49% dari kapasitas baterai selama perjalanan singkat sekitar 50 km. Mereka juga menemukan bahwa topologi jalan memiliki dampak besar pada prediksi jangkauan dan konsumsi energi. Memilih jalan dengan tanjakan yang lebih sedikit, misalnya, dapat menghasilkan penghematan energi sekitar 46%.

Mempertimbangkan semua faktor ini saat memilih rute optimal untuk EV dapat menghemat uang dan meningkatkan masa pakai baterai.

Mengoptimalkan seluruh infrastruktur pengisian daya baterai EV juga akan sangat penting untuk membuka jalan bagi adopsi EV secara luas. Misalnya, AI kemungkinan akan menjadi bagian integral untuk “pengisian cerdas,” di mana algoritma memantau kesehatan dan status baterai dan menyarankan titik pengisian dan waktu yang optimal untuk memastikan jangkauan mengemudi maksimum dan masa pakai baterai. AI juga dapat membantu pemantauan keamanan dan respons insiden untuk kendaraan dan jaringan pengisian daya.

Algoritma mesin dan pembelajaran mendalam, dikombinasikan dengan sensor dan kamera, sudah memberikan bantuan dalam mobil kepada pengemudi yang ingin meningkatkan keselamatan dan efisiensi kendaraan mereka. Volkswagen, misalnya, telah mengintegrasikan AI generatif ke dalam banyak mobilnya sehingga pengemudi bisa pada akhirnya, misalnya, meminta untuk mengarahkan ulang mobil ke stasiun pengisian EV terdekat.

Dalam jangka panjang, kita dapat mengharapkan AI untuk mengubah pasar EV dan transportasi secara lebih luas karena mengintegrasikan sistem bantuan driver dan mengemudi otonom, memungkinkan integrasi pemeliharaan prediktif dan membantu integrasi dengan jaringan pintar. Pada akhirnya, masa depan inovasi kendaraan listrik tidak terbatas, dan AI hanya membantu membuat perjalanan menjadi lebih mulus.