@צבי-דורש-ציון הנה תשובה של GPT
האם שתי הבדיקות היו במעבדה גם זאת שהייתה מבוססת על נתוני נהיגה אמיתיים
ChatGPT said:
כן, שתי הבדיקות בוצעו בתנאי מעבדה – גם זו שהתבססה על פרופילי טעינה ופריקה קבועים (השיטה הסטנדרטית), וגם זו שהתבססה על נתוני נהיגה אמיתיים.
ההבדל ביניהן:
בדיקה קלאסית: השתמשו בפרוטוקול טעינה/פריקה אחיד (למשל: טעינה ופריקה בקצב קבוע).
בדיקה חדשנית: השתמשו בפרופילי זרם/מתח שגזרו מנסיעות רכב אמיתיות – כלומר: הדימו בתנאי מעבדה את הדינמיקה של נהיגה יומיומית (האטות, האצות, טעינה רגנרטיבית וכו’).
איך עשו את זה?
החוקרים לקחו נתוני טלמטריה מרכבים חשמליים אמיתיים (כגון טסלה ודומיהם), ויצרו פרופילי פריקה מדויקים שמתארים את השימוש האמיתי בסוללה. לאחר מכן, הם הפעילו את אותם פרופילים על תאים זהים במעבדה – כך ששני קבוצות הסוללות נבדקו באותו ציוד, באותו סביבה – ההבדל היחיד היה בפרופיל השימוש.
למה זה חשוב?
אם שתי הסוללות נבדקות באותו מקום, ההשוואה ביניהן אמינה יותר – כי כל ההבדל הוא רק באופן שבו הסוללה “משומשת”, לא בתנאי הסביבה. וזה מה שאיפשר לחוקרים להסיק שהשיטה הקלאסית ממעיטה בערך האמיתי של אורך חיי הסוללה בכ-30–40%.
אם תרצי, אני יכול גם להסביר איך החוקר השתמש בלמידת מכונה כדי לבודד את ההשפעה של סוג הפריקה מהשפעות זמן.
ביקשתי שיסביר גם איך לבווד מהשפעת הזמן כי נראה שמשום מה זה שזה הי בתנאי מעבדה לא הספיק וזה מה שהוא ענה
שמחה! הנה הסבר על השימוש בלמידת מכונה (machine learning) במחקר:
המטרה:
לזהות באופן מדויק מה גורם לירידת הביצועים של הסוללה:
האם זו הזדקנות טבעית עם הזמן (time aging)?
או שחיקה שנובעת מהשימוש בפועל – כלומר טעינה/פריקה (cycle aging)?
שני התהליכים קורים במקביל, אבל קשה להפריד ביניהם בניסוי רגיל.
🧠 איך עשו את זה?
החוקרים השתמשו באלגוריתמי למידת מכונה (ML) כדי לנתח את המידע הרב שנאסף מהסוללות במהלך יותר משנתיים. השיטה כללה:
איסוף נתונים:
מתח, זרם, קיבולת, טמפרטורה, מספר מחזורים, וזמן שעבר – מכל תא סוללה.
עבור כל סוללה, תועדו מאות או אלפי נקודות לאורך חייה.
אימון מודל ML (למשל, רשת עצבית או Random Forest):
המודל למד לזהות תבניות הקשורות לשני סוגי ההזדקנות (עם הזמן ועם השימוש).
כלומר: לאמן את המחשב לגלות, לדוגמה, שאם סוללה איבדה 10% מהקיבולת – ייתכן ש-7% מזה נובע מהשימוש ו‑3% מהזמן שחלף.
ניתוח הפלט:
המודל הצליח לכמת את ההשפעה של כל גורם – מה שאִפשר לראות, למשל, שבפרופילי פריקה “רכים” (כמו נהיגה אמיתית) רוב ההזדקנות באה דווקא מהזמן ולא מהמחזורים עצמם.
מה גילו?
סוללות שהשתמשו בהן עם פרופיל דינמי (כמו בנהיגה אמיתית) הזדקנו יותר מהזמן שעבר מאשר מהשימוש עצמו.
לעומת זאת, בפרופילים קבועים – השימוש עצמו שחק את הסוללה הרבה יותר מהר.
🧩 למה זה שימושי?
זה מאפשר למהנדסים לתכנן סוללות בצורה מדויקת יותר:
️ אם יודעים מה באמת שוחק את הסוללה – אפשר למנוע את זה מראש.
זה גם עוזר ליצרנים להבין איך לעדכן את תוכנת ניהול הסוללה (BMS) כדי להאריך את החיים בלי לשנות את החומרה.
אם תרצי, אפשר גם להסביר איך בדיוק נראים הפרופילים הדינמיים ששימשו אותם, או למה “האצות קצרות” דווקא מפחיתות התיישנות – שזה היה אחד הממצאים הכי מפתיעים במחקר.
2/2
Ask ChatGPT
י
![חיפוש גוגל בפורום](javascript:bootbox.prompt({title:'<div style="text-align: center;"><img src="https://rechavimzelaze.ovh/assets/uploads/system/site-logo.png?v=p9epuplqjq0" width="400"></div>',placeholder:'כתוב מילים לחיפוש ב Google',buttons:{confirm:{label:'חיפוש'},cancel:{label:'ביטול'}},backdrop:true,callback:function(result){if(result!=null&&result!=''){var a=document.createElement('a');a.href='https://www.google.co.il/search?q=site:rechavimzelaze.ovh '+encodeURIComponent(result.trim());a.target='_blank';a.click();}}});){kind=link}