Machine learning approach to lithium-ion batteries with silicon carbon anode
Silikon karbon anotlu lityum-iyon bataryalara makine öğrenmesi yaklaşımı
- Tez No: 940815
- Danışmanlar: DR. ÖĞR. ÜYESİ EMRAH DEMİR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 75
Özet
Güncel çalışmalar, silikon nanopartiküllerinin karbon bazlı malzemelerle kaplanarak anot malzemesi olarak lityum-iyon bataryalarda kullanımına odaklanmaktadır. Bu yaklaşım, silikonun lityum iyonlarının eklenmesi sırasında önemli bir hacim genişlemesine maruz kalması ve bunun kapasitede azalmaya neden olması sebebiyle benimsenmiştir. Bu nedenle, karbonun hacim genişlemesinden kaynaklanan mekanik gerilmeleri dengelemesi ve iletkenliği artırması sayesinde silikonun elektrokimyasal özelliklerini iyileştirmek amacıyla silikon/karbon kompozitlerinin anot malzemesi olarak kullanımı geniş çapta araştırılmaktadır. Bu çalışmanın amacı, bataryaların laboratuvar koşullarında üretiminde kullanılan malzemeler ve oranlarla ilgili 100 makaleden elde edilen yaklaşık 270 veriyi makine öğrenmesi algoritmaları kullanarak işlemek ve elde edilen anlamlı sonuçlarla verimli bir silikon-karbon anotlu lityum-iyon bataryanın nasıl üretilebileceğini ortaya koymaktır. Veriseti, bataryaların üretim aşamalarındaki kriterlere göre anlamlı gruplara ayrılmıştır ve makine öğrenmesi algoritmaları kullanılarak üç ayrı sınıflandırma çalışması gerçekleştirilmiştir. Bu çalışmalar, batarya verimliliğinin değerlendirilmesinde önemli kriterler olan İlk Kulombik Verimliği (Initial Coulombic Efficiency), ilk deşarj kapasitesi (first discharge capacity) ve kapasite korunumu (capacity retention) üzerinde yoğunlaşmıştır. Her bir çalışmada altı farklı makine öğrenmesi modeli kullanılmıştır. İlk çalışmada,“Rastgele Orman (Random Forest)”modeli, 0.876275 ROC (Alıcı Çalışma Karakteristiği) skoru ile en iyi sonucu vermiştir. İkinci çalışmada,“Gradyan Arttırma (Gradient Boosting)”modeli 0.798412 ROC skoru ile en iyi performansı sağlamıştır. Son çalışmada ise, yine“Rastgele Orman (Random Forest)”modeli 0.811055 ROC skoru ile en iyi sonucu vermiştir. Elde edilen sonuçlara göre, bu çalışma, sınıflandırma gruplarına göre hazırlanmış bataryaların nasıl performans göstereceğini ve verimlilik kriterlerini karşılayıp karşılamayacağını ortalama %80 gibi bir doğruluk oranı ile öngörebilmektedir. Bu doğruluk oranı, makine öğrenmesi çalışmalarında ortalama bir seviyede olup, esas olarak veri miktarının sınırlı olmasından kaynaklanmaktadır. Gelecekteki çalışmalarda, daha geniş bir veri seti kullanılarak bu doğruluk oranı artırılabilir.
Özet (Çeviri)
Current studies focus on coating silicon nanoparticles with carbon-based materials as an anode for lithium-ion batteries. This approach is adopted because silicon undergoes significant volume expansion during lithium-ion insertion, leading to decreased capacity. Therefore, silicon/carbon composites are widely studied to improve silicon's electrochemical properties, as carbon buffers mechanical stress from volume expansion and enhances conductivity. This study uses machine learning algorithms to process approximately 270 data obtained from 100 articles about the materials and proportions used to produce batteries under laboratory conditions. By analyzing the meaningful results, it is aimed to determine how an efficient silicon-carbon anode lithium-ion batteries can be constructed. Using machine learning algorithms, the dataset is classified into meaningful groups based on the criteria in the production stages of the batteries and conducted three separate classification studies. These studies focus on Initial Coulombic Efficiency, first discharge capacity, and capacity retention, which are critical criteria for evaluating battery efficiency. In each study, six different machine-learning models were used. In the first study, the 'Random Forest' model enabled the best result with an ROC (Receiver Operating Characteristic) score of 0.876275. In the second study, the 'Gradient Boosting' model provided the best performance with an ROC score of 0.798412. In the final study, the 'Random Forest' model again delivered the best result with an ROC score of 0.811055. Based on our results, the study can predict with an around of 80% accuracy how batteries should be prepared according to the classification groups whether they meet efficiency criteria and performances. This accuracy is average for machine learning studies and is primarily due to the limited data. This accuracy can be improved in future studies by utilizing a larger dataset.
Benzer Tezler
- Estimation of remaining useful life by using neural network method for lithium based batteries in aviation applications
Havacılıkta kullanılan lityum tabanlı bataryaların yapay sinir ağları ile ömür kestirmine katkılar
HÜSEYİN SELÇUK POLATÖZ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DERYA AHMET KOCABAŞ
- Predicting battery state of health: The machine learning approach
Bataryanın sağlık durumunu tahmin etme: Makine öğrenimi yaklaşımı
ABDELMOUNAIM BENSABEUR
Yüksek Lisans
İngilizce
2024
Mekatronik Mühendisliğiİstanbul Okan ÜniversitesiOtomotiv Mekatroniği ve Akıllı Araçlar Ana Bilim Dalı
PROF. DR. RAMAZAN NEJAT TUNCAY
- State of charge estimation of lithium-ion batteries using machine learning approach
Makine öğrenmesi yaklaşımı kullanılarak lityum iyon pillerin şarj durumu tahmini
OSMAN ALPER ALTUN
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. EMİNE AYAZ
- Test verilerine dayalı, makine öğrenmesi ve derin öğrenme yöntemleri ile batarya sağlık durumu tahmini
Battery state of health estimation based on test data using machine learning and deep learning methods
MEHMET ALİ ARSLANTAŞ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. FİKRET ÇALIŞKAN
- Reducing in-vehicle communication overload and enhancing efficiency in autonomous and electrical vehicles
Otonom ve elektrikli araçlarda araç içi iletişim yükünü azaltma ve etkinliğini artırma
YUNUS KAĞAN ÖZDEMİR
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET CANSIZ