നെറ്റ് സീറോ എമിഷൻ കൈവരിക്കുന്നതിനും നമ്മുടെ ഗതാഗത സംവിധാനങ്ങളുടെ ഡീകാർബണൈസേഷനിലേക്കും കമ്പനികളും സർക്കാരുകളും നീങ്ങുമ്പോൾ, ഇലക്ട്രിക് വാഹനങ്ങൾ (ഇവി) സമൂഹത്തിൽ കൂടുതൽ സാധാരണമായ കാഴ്ചയായി മാറുകയാണ്. വർഷങ്ങൾ നീണ്ട വാണിജ്യ സ്വീകാര്യതയ്ക്ക് ശേഷം ലി-അയൺ ബാറ്ററികൾക്കായി നിലവിലുള്ള ആവാസവ്യവസ്ഥ കാരണം ലി-അയൺ ബാറ്ററികൾ ഉപയോഗിക്കുന്ന ഇലക്ട്രിക് വാഹനങ്ങൾ ഏറ്റവും വ്യാപകമായി സ്വീകരിക്കപ്പെടുന്ന വാഹനങ്ങളാണ്. വ്യത്യസ്ത ലി-അയൺ സംവിധാനങ്ങൾ വാഹനങ്ങൾക്കായി പ്രത്യേകമായി രൂപകൽപ്പന ചെയ്യേണ്ടതുണ്ടെങ്കിലും, നിലവിലുള്ള ആവാസവ്യവസ്ഥ അവയുടെ വികസനവും ദത്തെടുക്കലും ത്വരിതപ്പെടുത്താൻ സഹായിച്ചിട്ടുണ്ട് – കൂടാതെ പ്രകടനം മറ്റ് സംവിധാനങ്ങളേക്കാൾ വളരെ മികച്ചതാണ്, അവ സാമ്പത്തികമായി കൂടുതൽ പ്രായോഗികമാണ്.

വ്യത്യസ്ത ലി-അയൺ സംവിധാനങ്ങൾ വാഹനങ്ങൾക്കായി പ്രത്യേകമായി രൂപകൽപ്പന ചെയ്യേണ്ടതുണ്ടെങ്കിലും, നിലവിലുള്ള ആവാസവ്യവസ്ഥ അവയുടെ വികസനവും ദത്തെടുക്കലും ത്വരിതപ്പെടുത്താൻ സഹായിച്ചിട്ടുണ്ട് – കൂടാതെ പ്രകടനം മറ്റ് സംവിധാനങ്ങളേക്കാൾ വളരെ മികച്ചതാണ്, അവ സാമ്പത്തികമായി കൂടുതൽ പ്രായോഗികമാണ്.

ലി-അയൺ ബാറ്ററി സുരക്ഷാ ആശങ്കകൾ

എന്നിരുന്നാലും, കഴിഞ്ഞ കുറച്ച് വർഷങ്ങളായി നിരവധി ഇവി ബാറ്ററി തീപിടിത്തങ്ങൾ കാരണം ലി-അയൺ ബാറ്ററികളുടെ സുരക്ഷ ചോദ്യം ചെയ്യപ്പെടുന്ന നിരവധി സംഭവങ്ങൾ ഉണ്ടായിട്ടുണ്ട്. ഇവി തീപിടുത്തത്തിന്റെ വെല്ലുവിളി അവ കൂടുതൽ കാലം നിലനിൽക്കുകയും പ്രവചനാതീതവുമാണ് എന്നതാണ്, അതിനാൽ വാഹനങ്ങളിലേക്ക് പോകുന്ന ബാറ്ററികൾ ഉപയോഗത്തിന് സുരക്ഷിതമാണെന്ന് ഉറപ്പാക്കാൻ ഇവി നിർമ്മാതാക്കൾ പതിവും ചെലവേറിയതുമായ പരിശോധനകൾ നടത്തേണ്ടതുണ്ട്.

ദാഹു, സോസിയ, നവോബോപ്പ് എന്നീ മൂന്ന് നിർമ്മാതാക്കളിൽ നിന്നുള്ള ഡാറ്റ, ഓരോ വാഹനത്തിന്റെയും യാത്രാ ദൂരവും സമയവും കാണിക്കുന്നു. ബി വേഗതയേറിയതും സാധാരണവുമായ ചാർജിംഗ് മോഡുകൾ ഉപയോഗിച്ച് യഥാർത്ഥ ലോക ചാർജിംഗ് പാറ്റേണുകൾ വ്യത്യാസപ്പെടുന്നു. സി സെൽ വോൾട്ടേജ്, താപനില വ്യതിയാനങ്ങൾ തുടങ്ങിയ പരമ്പരാഗത അളവുകൾ അസാധാരണമായ ഇലക്ട്രിക് വാഹനങ്ങളിൽ നിന്ന് സാധാരണയെ വ്യക്തമായി വേർതിരിക്കുന്നില്ല; 0.5 ന് അടുത്തുള്ള ഒരു AUROC ക്രമരഹിതമായ പ്രവചനങ്ങളെ സൂചിപ്പിക്കുന്നു. d രണ്ട് ഇലക്ട്രിക് വാഹനങ്ങളിൽ നിന്ന് LiB ചാർജിംഗ് സൂക്ഷ്മമായി പരിശോധിച്ചാൽ നേരിട്ടുള്ള പിഴവ് കണ്ടെത്തൽ മെട്രിക് കണ്ടെത്താൻ കഴിയില്ല. (വലുതാക്കാൻ ക്ലിക്കുചെയ്യുക)

ഇവി ബാറ്ററി തകരാറുകൾ തടയുന്നതിനും ചെലവ് ലാഭിക്കുന്നതിനും ഏറ്റവും മികച്ച മാർഗ്ഗങ്ങളിലൊന്ന് നേരത്തെയുള്ള പ്രവചനമാണ്. പ്രാരംഭ ഘട്ടത്തിൽ ലി-അയൺ ബാറ്ററികളുടെ സുരക്ഷാ അവസ്ഥകൾ വിലയിരുത്താനുള്ള കഴിവ് സെൽ പരാജയത്തിനുള്ള സാധ്യത കുറയ്ക്കുകയും കൂടുതൽ ബാറ്ററി വികസനം നടത്തുകയും ചെയ്യും. ബാറ്ററി ഗവേഷണത്തിനായി കഴിഞ്ഞ കുറച്ച് വർഷങ്ങളായി ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് അൽഗോരിതങ്ങളിൽ ധാരാളം സംഭവവികാസങ്ങൾ ഉണ്ടായിട്ടുണ്ടെങ്കിലും, ബാറ്ററി സിസ്റ്റങ്ങളിലെ അപാകതകൾ കണ്ടെത്തുന്നത് ഒരു വെല്ലുവിളിയായി തുടരുന്നു. ഇവി ബാറ്ററികൾക്ക് സങ്കീർണ്ണമായ പരാജയ സംവിധാനങ്ങളുള്ളതിനാൽ അസ്വാഭാവിക കണ്ടെത്തൽ രീതികൾ സാധൂകരിക്കുകയോ യഥാർത്ഥ ബാറ്ററി ക്രമീകരണങ്ങൾക്ക് അനുയോജ്യമാക്കുകയോ ചെയ്യുന്നില്ല എന്നതാണ് ഇതിന് കാരണം, കൂടാതെ വലിയ തോതിലുള്ള ഡാറ്റാസെറ്റുകളുള്ള യഥാർത്ഥ ലോക ടെസ്റ്റിംഗ് ചട്ടക്കൂടുകളുടെ അഭാവമുണ്ട്. സമീപകാല ഗവേഷണങ്ങൾ ഇത് മാറ്റാൻ തുടങ്ങി.

ഇവി ബാറ്ററികൾക്കായുള്ള ഡാറ്റ അടിസ്ഥാനമാക്കിയുള്ള ടെസ്റ്റിംഗിലെ വെല്ലുവിളികൾ

ഇവി ബാറ്ററികൾ സങ്കീർണ്ണമായ നോൺലിനിയർ സിസ്റ്റങ്ങളാണ്, അതിനാൽ ഈ പരാജയ സംവിധാനങ്ങൾ മനസിലാക്കാൻ കഴിയുന്ന ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് അൽഗോരിതം രൂപകൽപ്പന ചെയ്യുന്നത് ബുദ്ധിമുട്ടാണ് – ഇത് ഷോർട്ട് സർക്യൂട്ടിംഗ്, ശാരീരിക കേടുപാടുകൾ, ഓവർ ചാർജ് / ഓവർ ഡിസ്ചാർജ്, താപ ദുരുപയോഗം എന്നിവയിലേക്ക് വ്യാപിക്കുന്നു. നിലവിലെ ടെസ്റ്റിംഗ് സമീപനങ്ങളിൽ പരീക്ഷണാത്മക പരിശോധനയും ഡാറ്റ അടിസ്ഥാനമാക്കിയുള്ള വിശകലനങ്ങളും ഉൾപ്പെടുന്നു.

നിലവിലുള്ള അൽഗോരിതങ്ങൾക്ക് ധാരാളം അധിക പരിശോധന ആവശ്യമാണ്, കാരണം ചെറിയ തോതിലുള്ള ലാബ് പരീക്ഷണങ്ങളിൽ ഏതെങ്കിലും മൂല്യനിർണ്ണയം നടത്തുന്നു. ഇതിനു വിപരീതമായി, ഗെയിമിംഗ്, ബയോമോളിക്യൂളുകളുടെ തന്മാത്രാ മോഡലിംഗ്, മെഷീൻ വിഷൻ എന്നിവ പോലുള്ള മറ്റ് മേഖലകളിലെ ഡാറ്റ അധിഷ്ഠിതവും ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ്-ഹെവി സമീപനങ്ങളുടെയും വിജയം അൽഗോരിതങ്ങൾക്ക് വലിയതും യഥാർത്ഥവുമായ ഡാറ്റാസെറ്റുകളിലേക്ക് പ്രവേശനം ഉള്ളതിനാലാണ്, അതിനാൽ അവർക്ക് കൂടുതൽ കൃത്യമായ പ്രവചനങ്ങൾ നൽകാൻ കഴിയും.

യഥാർത്ഥ ലോക ഡാറ്റയുടെ പ്രാധാന്യം കുറച്ചുകാണാൻ കഴിയില്ല. ഇത് യഥാർത്ഥ സാഹചര്യങ്ങളുടെയും അവസ്ഥകളുടെയും കൂടുതൽ കൃത്യമായ പ്രാതിനിധ്യം നൽകുന്നു, എഐ മോഡലുകളുടെ മികച്ച പരിശീലനവും മൂല്യനിർണ്ണയവും അനുവദിക്കുന്നു.

ബാറ്ററി ടെസ്റ്റിംഗിനായി ഇന്ന് നിലവിലുള്ള പല അൽഗോരിതങ്ങളും യഥാർത്ഥ ലോക ക്രമീകരണങ്ങളിൽ ലഭ്യമല്ലാത്ത വിവരങ്ങളെ ആശ്രയിച്ചിരിക്കുന്നു. ഇവി ബാറ്ററികൾക്കായി കൂടുതൽ ഫലപ്രദമായ പിഴവ് കണ്ടെത്തൽ അൽഗോരിതങ്ങൾ വികസിപ്പിക്കുന്നതിന്, കൂടുതൽ പ്രായോഗിക സാമൂഹിക ഘടകങ്ങൾ കണക്കിലെടുക്കേണ്ടതുണ്ട്. പൊതുവായി ലഭ്യമായ ഇവി ചാർജിംഗ് ഡാറ്റാസെറ്റുകൾ ഉപയോഗിച്ച് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് അൽഗോരിതങ്ങൾക്ക് – പ്രത്യേകിച്ച് ആഴത്തിലുള്ള പഠനത്തിന് – എന്തുചെയ്യാൻ കഴിയുമെന്ന് നിലവിലുള്ള പഠനങ്ങൾ പ്രദർശിപ്പിച്ചിട്ടില്ല, മാത്രമല്ല പ്രായോഗിക ഘടകങ്ങൾക്ക് അൽഗോരിതം രൂപകൽപ്പനയെ എങ്ങനെ നിർണ്ണയിക്കാൻ കഴിയുമെന്ന് ഈ ഡാറ്റാസെറ്റുകൾ കണക്കിലെടുക്കുന്നില്ല.

നിലവിലുള്ള ബാറ്ററി മാനേജുമെന്റ് സിസ്റ്റങ്ങളിൽ നിന്നുള്ള നിരീക്ഷണ ഡാറ്റ മാത്രമാണ് നിലവിലെ അസ്വാഭാവിക കണ്ടെത്തൽ മോഡലുകൾ ഉപയോഗിക്കുന്നത്. പൊതു ഡാറ്റാബേസുകളിൽ ലഭ്യമായ ഡാറ്റ ഉപയോഗിച്ച്, വാഹനങ്ങളെക്കുറിച്ചുള്ള പരിമിതമായ വിവരങ്ങൾ കാരണം കുറച്ച് പിഴവ് കണ്ടെത്തൽ അൽഗോരിതങ്ങൾ മാത്രമേ ഉപയോഗിക്കാൻ കഴിയൂ- കൂടാതെ ഓപ്പൺ സർക്യൂട്ട് വോൾട്ടേജ്, ആന്തരിക പ്രതിരോധം തുടങ്ങിയ മോഡൽ പാരാമീറ്ററുകൾ പലപ്പോഴും കാണാനില്ല. ഈ പ്രശ്നം പരിഹരിക്കുന്നതിന്, ലി-അയൺ ബാറ്ററികളിലെ തകരാറുകൾ കണ്ടെത്താൻ പ്രത്യേകമായി രൂപകൽപ്പന ചെയ്ത ഒരു പ്രായോഗിക ആഴത്തിലുള്ള പഠന ചട്ടക്കൂട് ആവശ്യമാണ്.

ഒരു പുതിയ ചട്ടക്കൂട് ഉപയോഗിച്ച് ആഴത്തിലുള്ള പഠനം ഉപയോഗിക്കുന്നു

ഇവി ബാറ്ററികളിലെ അപാകതകൾ കണ്ടെത്തുന്നതിനായി ഗവേഷകർ ഒരു യാഥാർത്ഥ്യബോധമുള്ള ആഴത്തിലുള്ള പഠന ചട്ടക്കൂട് വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്. യഥാർത്ഥ ലോക ബാറ്ററി വിന്യാസങ്ങളുമായി പൊരുത്തപ്പെടുന്ന തരത്തിലാണ് ഇത് രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്, കൂടാതെ ഡൈനാമിക് സിസ്റ്റങ്ങൾക്ക് അനുയോജ്യമായ ഒരു ഡൈനാമിക്കൽ എൻകോഡർ-ഡീകോഡർ ഉപയോഗിക്കുന്നു. ഡീപ് ലേണിംഗ് മോഡലുകൾ, പ്രത്യേകിച്ചും ഇവി ബാറ്ററി സുരക്ഷ പോലുള്ള നിർദ്ദിഷ്ട ആപ്ലിക്കേഷനുകൾക്ക് അനുയോജ്യമാകുമ്പോൾ, പരമ്പരാഗത രീതികൾ ഉപയോഗിച്ച് സാധ്യമല്ലാത്ത ഉൾക്കാഴ്ചകൾ നൽകാൻ കഴിയും. വലിയ അളവിലുള്ള ഡാറ്റ വിശകലനം ചെയ്യുന്നതിലൂടെ, ഈ മോഡലുകൾക്ക് സൂക്ഷ്മമായ പാറ്റേണുകളും അപാകതകളും കണ്ടെത്താൻ കഴിയും. അൽഗോരിതങ്ങൾ ഇവി ബാറ്ററി മാനേജുമെന്റ് സിസ്റ്റങ്ങളിൽ പരിശീലനം നേടുകയും സാമൂഹികവും സാമ്പത്തികവുമായ ഘടകങ്ങൾ ഉപയോഗിച്ച് കോൺഫിഗർ ചെയ്യുകയും ചെയ്തു – തെറ്റ്, പരിശോധന ചെലവുകൾ, മികച്ച സാമ്പത്തിക പ്രകടനത്തിലേക്ക് മോഡൽ കോൺഫിഗർ ചെയ്യുന്ന ഫാൾട്ട് റേറ്റ് എന്നിവ ഉൾപ്പെടെ.

347 ഇലക്ട്രിക് വാഹനങ്ങളിൽ നിന്നുള്ള 690,000 ചാർജിംഗ് സ്നിപ്പറ്റുകൾ അടങ്ങിയ ഡാറ്റാസെറ്റുകളിൽ അനോമലി ഡിറ്റക്ഷൻ അൽഗോരിതം പരീക്ഷിച്ചു. ഈ പഠനത്തിൽ ഉപയോഗിച്ച ഡാറ്റയുടെ സ്കെയിൽ നിലവിലുള്ള ആഴത്തിലുള്ള പഠന രീതികൾ ഉൾപ്പെടെ മറ്റ് ഡാറ്റ അടിസ്ഥാനമാക്കിയുള്ള പിഴവ് കണ്ടെത്തൽ രീതികളുടെ ചില വെല്ലുവിളികളെ മറികടക്കാൻ അൽഗോരിതങ്ങളെ അനുവദിച്ചു.

ഡൈനാമിക്കൽ ഓട്ടോഎൻകോഡർ ഫോർ അനോമലി ഡിറ്റക്ഷൻ (ഡി വൈ എ ഡി) എന്നറിയപ്പെടുന്ന ഡീപ് ലേണിംഗ് മോഡൽ പരിശീലിപ്പിച്ച ശേഷം, ഇത് ചാർജിംഗ് സ്റ്റേഷനുകളിൽ വിന്യസിച്ചു, ഫോൾട്ട് ഡിറ്റക്ഷൻ മൊഡ്യൂൾ ക്ലൗഡ് പ്രവർത്തിപ്പിക്കുന്നു. സിസ്റ്റത്തിന്റെ എൻകോഡർ-ഡീകോഡർ ഘടന കാരണം മോഡലിന് സ്വകാര്യത നിലനിർത്താൻ കഴിയും. സേവന ദാതാവിന് മോഡൽ ഡാറ്റ സൂക്ഷിക്കാൻ കഴിയും, ഇവി ഉപഭോക്താക്കൾക്ക് മൈലേജ്, ചാർജിംഗ് സമയം, ലൊക്കേഷൻ തുടങ്ങിയ സെൻസിറ്റീവ് വിവരങ്ങൾ സംരക്ഷിക്കാൻ കഴിയും, എൻകോഡ് ചെയ്ത ഭാഗിക ഡാറ്റ അയയ്ക്കുന്നതിലൂടെ ഡാറ്റാ ആശയവിനിമയം കുറയ്ക്കാൻ കഴിയും എന്നിവ ഉൾപ്പെടെ ഈ സമീപനത്തിന് നിരവധി ഗുണങ്ങളുണ്ട്.

ഉപസംഹാരം

വികസിപ്പിച്ചെടുത്ത മോഡൽ യഥാർത്ഥ ലോക ഇവി ലി-അയൺ ഡാറ്റയ്ക്കായി രൂപകൽപ്പന ചെയ്ത ആദ്യത്തെ മോഡലാണ്, കൂടാതെ ബാറ്ററി ഡാറ്റയുടെ മറഞ്ഞിരിക്കുന്ന മാർക്കോവ് മോഡൽ ചൂഷണം ചെയ്യുന്നു. ഡീപ് ലേണിംഗ് ന്യൂറൽ നെറ്റ് വർക്ക് അൽഗോരിതം ഇവി ലി-അയൺ അപകട ചെലവുകളും അനുഭവപരമായ ഡാറ്റ ഉപയോഗിച്ച് പരിശോധനാ ചെലവുകളും സന്തുലിതമാക്കുന്നു.

പുതുതായി വികസിപ്പിച്ച മോഡൽ നിരവധി ഗുണങ്ങൾ വാഗ്ദാനം ചെയ്യുന്നു. ഇത് കൂടുതൽ കൃത്യമായ പിഴവ് കണ്ടെത്തൽ നൽകുക മാത്രമല്ല, ബാറ്ററി തകരാറുകളുമായി ബന്ധപ്പെട്ട സാമ്പത്തിക ഭാരം കുറയ്ക്കാനും സഹായിക്കുന്നു. സംഭവ്യമായ പരാജയങ്ങൾ കൃത്യമായി പ്രവചിക്കുന്നതിലൂടെ, നിർമ്മാതാക്കൾക്ക് പ്രതിരോധ നടപടികൾ കൈക്കൊള്ളാനും അതുവഴി ഉപയോക്താക്കളുടെ സുരക്ഷയും ബാറ്ററികളുടെ ദീർഘായുസ്സും ഉറപ്പാക്കാനും കഴിയും.

ബാറ്ററി ടെസ്റ്റിംഗിനായി ഇതിനകം ഉപയോഗിക്കുന്ന മറ്റ് ഡീപ് ലേണിംഗ് മോഡലുകളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, ഈ പുതിയ മോഡലിന് രണ്ട് പ്രധാന വ്യത്യാസങ്ങളുണ്ട്. ആദ്യത്തെ പ്രധാന വ്യത്യാസം ഡാറ്റാ സവിശേഷതകളെ സിസ്റ്റം ഇൻപുട്ടുകളായും സിസ്റ്റം പ്രതികരണങ്ങളായും വിഭജിക്കാൻ ഇത് ഒരു ഡൈനാമിക്കൽ സിസ്റ്റം ഫോർമുലേഷൻ ഉപയോഗിക്കുന്നു എന്നതാണ്. ഇൻപുട്ട്-ടു-റെസ്പോൺസ് മാപ്പിംഗ് വഴി എന്തെങ്കിലും അസാധാരണതകൾ കണ്ടെത്തുന്നു. മറ്റ് ആഴത്തിലുള്ള പഠന മോഡലുകളിൽ, ഫാൾട്ട് ഡിറ്റക്ഷൻ അൽഗോരിതങ്ങൾ ഡാറ്റാ സവിശേഷതകളുടെ ഓരോ മാനവും തുല്യമായി പരിഗണിക്കുന്നു, കൂടാതെ ബാഹ്യ ഇൻപുട്ടുകളുള്ള ഒരു ചലനാത്മക സംവിധാനത്തെ ഉൾക്കൊള്ളുന്നില്ല. ശക്തമായ സ്കോറിംഗ് നടപടിക്രമം ഉപയോഗിച്ച് വാഹന സിസ്റ്റം ലെവലും ലി-അയൺ ചാർജിംഗ് സ്നിപ്പറ്റും തമ്മിലുള്ള പ്രവചനങ്ങളെ മോഡൽ ബന്ധിപ്പിക്കുന്നു എന്നതാണ് മറ്റൊരു പ്രധാന വ്യത്യാസം.

55 അസാധാരണ വാഹനങ്ങളുള്ള മൂന്ന് ഡാറ്റാസെറ്റുകളിൽ അൽഗോരിതം പരീക്ഷിച്ചു, അതായത് ബാറ്ററി തകരാറുള്ള ഇലക്ട്രിക് വാഹനങ്ങളും 292 പൂർണ്ണമായും പ്രവർത്തിക്കുന്ന വാഹനങ്ങളും. പരമ്പരാഗത രീതികളുമായും മറ്റ് ആഴത്തിലുള്ള പഠന അൽഗോരിതങ്ങളുമായും താരതമ്യപ്പെടുത്തുമ്പോൾ, ബാറ്ററികളിലെ അപാകതകൾ കണ്ടെത്തുന്നതിൽ ഈ അൽഗോരിതം വളരെ മികച്ചതായിരുന്നു. ഇവി ബാറ്ററി അപകടങ്ങളുടെയും പരിശോധനകളുടെയും ചെലവ് 33-50% കുറയ്ക്കാൻ കഴിയുമെന്നും മോഡൽ തെളിയിച്ചു.

മറ്റ് സമീപനങ്ങളിൽ നിന്ന് വ്യത്യസ്തമായി, അൽഗോരിതം ഉചിതമായ സാമൂഹികവും സാമ്പത്തികവുമായ യഥാർത്ഥ ലോക ഡാറ്റ ഉപയോഗിച്ച് രൂപകൽപ്പന ചെയ്യുകയും പരിശീലിപ്പിക്കുകയും ചെയ്തിട്ടുണ്ടെങ്കിൽ പരിമിതമായ അസ്വാഭാവിക സാമ്പിളുകൾ ഉപയോഗിച്ച് ഇവി ലി-അയൺ ബാറ്ററി തകരാർ പ്രവചിക്കുന്നതിൽ ആഴത്തിലുള്ള പഠന മോഡലുകൾക്ക് കൂടുതൽ ഫലപ്രദമാകുമെന്ന് ഈ പഠനം തെളിയിച്ചിട്ടുണ്ട്.

ആഴത്തിലുള്ള പഠനത്തിലെ പുരോഗതിയും ഇവി ബാറ്ററി സുരക്ഷയിലെ അതിന്റെ പ്രയോഗവും ഇലക്ട്രിക് ഗതാഗതത്തിന് സുസ്ഥിരവും സുരക്ഷിതവുമായ ഭാവി ഉറപ്പാക്കുന്നതിൽ ഒരു സുപ്രധാന ചുവടുവയ്പ്പാണ്. ഇലക്ട്രിക് വാഹനങ്ങളുടെ സ്വീകാര്യത വർദ്ധിച്ചുകൊണ്ടിരിക്കുമ്പോൾ, ബാറ്ററി സുരക്ഷയും വിശ്വാസ്യതയുമായി ബന്ധപ്പെട്ട വെല്ലുവിളികളെ അഭിസംബോധന ചെയ്യുന്നതിൽ അത്തരം കണ്ടുപിടുത്തങ്ങൾ നിർണായക പങ്ക് വഹിക്കും.

References:

ഡൈനാമിക്കൽ ഡീപ് ലേണിംഗ് വഴി ലി-അയൺ ബാറ്ററിയുടെ റിയലിസ്റ്റിക് പിഴവ് കണ്ടെത്തൽ, നേച്ചർ കമ്മ്യൂണിക്കേഷൻസ്, 14, (2023), 5940