カリフォルニア州パロアルトの18歳の学生コリン・ジー・チューは、リチウムイオンバッテリーの健康状態を評価するためのモデルフレームワークを開発し、予測誤差はわずか2.36%です。このプロジェクトにより、彼は2026年のRegeneron Science Talent Searchの決勝進出者リストに名を連ねました。このコンペティションは、アメリカで最も権威のある科学と数学の競技の一つです。
電気自動車のバッテリーは、充放電の過程や異なる温度や運用環境に直面する中で徐々に劣化します。しかし、バッテリー内部にどれだけの残り寿命があるかを正確に判断することは容易ではありません。バッテリーマネジメントシステムは、バッテリー内部の構造を直接観測することができず、電気的な挙動からその状態を推測する必要があります。
物理モデルと機械学習を組み合わせたバッテリー寿命の評価
Society for Scienceによると、チューは22個のバッテリーのデータを分析し、スタンフォード大学のYoung Investigators Programを通じて、シモナ・オノリ教授が指導するスタンフォードエネルギーコントロールラボで研究を行いました。彼は等価回路モデルと機械学習を組み合わせ、シミュレーション運転行動の変化を示す電気信号を利用してバッテリーの加速劣化テストを行い、最終的に構築したフレームワークの誤差は約2.36%でした。
等価回路モデルは、数学的要素を用いてバッテリーの複雑な電気特性を表現し、分析プロセスをより実行可能にします。
チューは、物理的なバッテリーモデルと機械学習の回帰手法を組み合わせることで、運用条件が変化してもバッテリーの健康状態を評価できるフレームワークを設計しました。この研究は、シカゴで開催されたModeling, Estimation, and Control Conferenceで発表され、Journal of The Electrochemical Societyに掲載されました。
バッテリー健康の正確な推定は電動車産業にとって重要な意義を持つ
リチウムイオンバッテリーは、使用寿命の終わりに突然故障するのではなく、利用可能な容量と性能が徐々に低下し、電動車の航続距離に直接影響を与え、バッテリーのメンテナンス、再利用、最終的なリサイクル方法とも密接に関連しています。より正確な健康状態の推定は、バッテリーマネジメントシステムが充電、メンテナンス、残り寿命に関してより賢明な決定を下すのに役立ちます。
しかし、2.36%の誤差データは適切な文脈で理解する必要があります。このフレームワークは研究データに基づいてテストされており、一般的なバッテリー寿命予測システムとして機能するためには、異なるバッテリー化学成分、劣化の程度、車両プラットフォーム、実際の運転環境でさらに検証が必要です。それにもかかわらず、チューのプロジェクトは、物理モデルと機械学習を組み合わせる方法が、従来のモデリングやデータ駆動型AIに依存するよりも安定した代替手段を提供できることを示しています。
高校の研究から始まるバッテリーの「膝点」劣化段階の探求
チューは2024年にスタンフォードYoung Investigators Programを通じてプロジェクトを開始し、高校在学中に大学レベルの研究環境を得ました。その後、研究範囲は徐々にバッテリーの「膝点」（kneepoints）分析、すなわちバッテリー劣化が加速する可能性のある段階や寿命予測などの課題に拡大しました。
電動車のオーナーにとって、バッテリーの健康状態の重要性は、今後走行距離と同じくらい重要になるでしょう。研究者が劣化の傾向をより正確に予測できれば、バッテリーの寿命を延ばし、メンテナンスの決定を最適化し、電動車の最も高価な部品に伴う不確実性を低減することができます。Chuの研究は、継続的な科学探求の一環であり、量産車両に即時に搭載できる成熟した技術には至っていません。しかし、わずか18歳の彼は、電動車産業の最も核心的な技術的課題の一つに貢献しています。
項目 規格 研究対象 リチウムイオンバッテリー健康状態推定フレームワーク テストバッテリー数 22個 予測誤差 2.36% 研究方法 等価回路モデルと機械学習回帰の組み合わせ 研究場所 スタンフォードエネルギーコントロールラボ プログラム名 スタンフォード若手研究者プログラム プロジェクト開始年 2024年