Η AI αποκωδικοποιεί την ενεργειακή απώλεια στους ηλεκτροκινητήρες

Add as preferred source on Google

Σύνοψη

  • Ερευνητές του Tokyo University of Science (TUS) ανέπτυξαν ένα καινοτόμο μοντέλο Τεχνητής Νοημοσύνης (eX-GL) που χαρτογραφεί τις πολύπλοκες «λαβυρινθώδεις» μαγνητικές δομές στο εσωτερικό των υλικών.
  • Το σύστημα εντοπίζει την αόρατη απώλεια ενέργειας στους ηλεκτροκινητήρες, η οποία προκαλείται από τις απότομες θερμοκρασιακές μεταβολές και τη μικροσκοπική μαγνητική συμπεριφορά.
  • Ο εντοπισμός των ενεργειακών εμποδίων επιτρέπει τον σχεδιασμό νέων, αποδοτικότερων μαλακών μαγνητικών υλικών, μειώνοντας δραστικά την κατανάλωση ρεύματος.
  • Η εξέλιξη αυτή έχει άμεσο αντίκτυπο στην αυτονομία των ηλεκτρικών οχημάτων (EVs), κάτι που μεταφράζεται σε χαμηλότερα κόστη φόρτισης και μεγαλύτερη αντοχή των μπαταριών στις ακραίες καλοκαιρινές θερμοκρασίες.

Η μετάβαση στην ηλεκτροκίνηση και η εξάρτηση της βιομηχανίας από τους ηλεκτροκινητήρες απαιτεί τη συνεχή βελτιστοποίηση της ενεργειακής τους απόδοσης. Μέχρι σήμερα, ένα σημαντικό ποσοστό της παραγόμενης ενέργειας χανόταν στο εσωτερικό των υλικών κατασκευής, χωρίς οι επιστήμονες να μπορούν να παρέμβουν στοχευμένα. 

Μια νέα έρευνα από το Tokyo University of Science (TUS) έρχεται να δώσει την οριστική απάντηση, αξιοποιώντας την Τεχνητή Νοημοσύνη για να χαρτογραφήσει και να εξηγήσει το φαινόμενο του «μαγνητικού λαβύρινθου».

Το συγκεκριμένο επίτευγμα ανοίγει τον δρόμο για την κατασκευή κινητήρων που διαχειρίζονται την ηλεκτρική ενέργεια με σχεδόν μηδενικές απώλειες, επηρεάζοντας άμεσα τη βιομηχανία των ηλεκτρικών οχημάτων (EVs), τα συστήματα ρομποτικής και τις ανεμογεννήτριες.

Πώς το νέο μοντέλο AI μειώνει την απώλεια ενέργειας στους ηλεκτροκινητήρες;

Το μοντέλο eX-GL (entropy-feature-eXtended Ginzburg-Landau) συνδυάζει τεχνητή νοημοσύνη και φυσική για να χαρτογραφήσει πολύπλοκες «λαβυρινθώδεις» μαγνητικές δομές μέσα στα υλικά των κινητήρων. Μετρώντας την ανταλλαγή ενέργειας, τα αποτελέσματα απομαγνήτισης και την εντροπία, εντοπίζει τα ενεργειακά εμπόδια που προκαλούνται από τις μεταβολές της θερμοκρασίας, επιτρέποντας τον σχεδιασμό αποδοτικότερων και λιγότερο ενεργοβόρων ηλεκτροκινητήρων.

Ορισμένα μαλακά μαγνητικά υλικά, τα οποία αποτελούν τον πυρήνα των σύγχρονων ηλεκτροκινητήρων, περιέχουν στο εσωτερικό τους εξαιρετικά περίπλοκες μαγνητικές δομές. Αυτές οι δομές ονομάζονται «λαβυρινθώδεις περιοχές» λόγω της χαρακτηριστικής τεθλασμένης μορφής τους, η οποία θυμίζει ζιγκ-ζαγκ.

Η συμπεριφορά αυτών των μαγνητικών περιοχών δεν είναι στατική. Καθώς οι θερμοκρασίες λειτουργίας του κινητήρα αυξάνονται ή μειώνονται απότομα, τα maze domains μεταβάλλονται απρόβλεπτα. Αυτή η άτακτη μικροσκοπική δραστηριότητα – το λεγόμενο «μαγνητικό χάος» – αποτελεί την κύρια πηγή ενεργειακής απώλειας. Το υλικό καταναλώνει ένα μέρος της ωφέλιμης ηλεκτρικής ενέργειας απλώς και μόνο για να αναδιατάξει τη μαγνητική του δομή υπό συνθήκες θερμικής καταπόνησης, μειώνοντας τη συνολική απόδοση του συστήματος.

Η καινοτομία του μοντέλου eX-GL

Οι ερευνητές του TUS ανέπτυξαν το μοντέλο eX-GL για να μπορέσουν να παρατηρήσουν, να μετρήσουν και τελικά να προβλέψουν αυτή τη χαοτική συμπεριφορά. Αντί να βασιστούν σε παραδοσιακές μεθόδους δοκιμής και σφάλματος, χρησιμοποίησαν αλγορίθμους μηχανικής μάθησης που αναλύουν τα θερμοδυναμικά δεδομένα και οπτικοποιούν το ενεργειακό τοπίο του υλικού.

Τα κύρια σημεία της ανακάλυψης

  • Χαρτογράφηση Ενέργειας: Το AI μοντέλο αναλύει τη δομή του υλικού και εντοπίζει τα ακριβή «εμπόδια» που πρέπει να ξεπεραστούν για να αλλάξει η μαγνήτιση.
  • Μέτρηση Εντροπίας: Η ανάλυση περιλαμβάνει ακριβείς μετρήσεις των αλληλεπιδράσεων ανταλλαγής και της εντροπίας, προσφέροντας μια πλήρως επεξηγήσιμη εικόνα του φαινομένου.
  • Πρόβλεψη Συμπεριφοράς: Οι μηχανικοί μπορούν πλέον να προσομοιώνουν το πώς θα συμπεριφερθεί ένα νέο κράμα μετάλλου πριν καν κατασκευαστεί, γλιτώνοντας τεράστιο χρόνο και πόρους από το R&D.

Αυτό το επίπεδο μικροσκοπικού ελέγχου σημαίνει ότι η βιομηχανία μπορεί πλέον να συνθέσει νέα υλικά που διατηρούν τη μαγνητική τους σταθερότητα ανεξάρτητα από τις διακυμάνσεις της θερμοκρασίας.

Εφαρμογές και αντίκτυπος στη βιομηχανία

Οι άμεσες εφαρμογές της έρευνας αφορούν κάθε βιομηχανικό κλάδο που χρησιμοποιεί ηλεκτροκινητήρες και γεννήτριες. Στα ηλεκτρικά αυτοκίνητα, η μείωση των ενεργειακών απωλειών στον κινητήρα μεταφράζεται απευθείας σε αύξηση της χιλιομετρικής αυτονομίας χωρίς να απαιτείται η προσθήκη μεγαλύτερων και βαρύτερων μπαταριών. Παράλληλα, τα συστήματα ψύξης του οχήματος θα λειτουργούν με μικρότερο φορτίο, αφού ο κινητήρας θα εκλύει λιγότερη απορριπτόμενη θερμότητα.

Στον τομέα των Ανανεώσιμων Πηγών Ενέργειας, οι γεννήτριες των ανεμογεννητριών βασίζονται ακριβώς στην ίδια αρχή λειτουργίας των μαλακών μαγνητικών υλικών. Η εφαρμογή της τεχνολογίας eX-GL κατά τον σχεδιασμό των γεννητριών μπορεί να αυξήσει το ποσοστό μετατροπής της αιολικής ενέργειας σε ηλεκτρική, καθιστώντας τα αιολικά πάρκα πιο αποδοτικά.

*Μπορείτε πλέον να προσθέσετε το Techgear.gr ως Προτιμώμενη Πηγή ενημέρωσης για τις αναζητήσεις σας στο Google Search!

Loading