Тим научника који води др. Гаретх Цондуит са Института за истраживање и инжењерство материјала на А * СТАР и Технолошки универзитет Нанианг користили су АИ за предвиђање стања акумулатора у електричним возилима и давање „тачног“ предвиђања стања литијум-јонских ћелија набоја и здравља.
Према објављеном чланку, технологија модела машинског учења заснована на подацима могла би омогућити произвођачима да уграде софтвер директно у своје батеријске уређаје како би побољшали животни век до 6% у односу на типичне моделе батерија који погрешно израчунавају животни век за око 10%.
Перформансе, цена и сигурност батерија су фактори који одређују успешан развој електричних возила (ЕВ). Од сада су литијум-јонске (Ли-јонске) батерије предност над осталим батеријама због њиховог века трајања и разумне густине енергије. Међутим, ако се наставе даља истраживања ли-јонских батерија, то ће довести до сложеније динамике батерија, где ће сигурност и ефикасност постати ствар забринутости. Због тога је напредни систем управљања батеријама који може оптимизирати и надгледати сигурност пресудан за електрификацију возила.
Примењени су алгоритми машинског учења за предвиђање здравственог стања, стања напуњености и преосталог корисног века употребе. Фокус је стављен на моделе засноване на подацима и они су комбиновани са техникама машинског учења. Чини се да су ови модели моћнији и могу да предвиђају без априорног знања о систему, поред постизања високе тачности уз ниске рачунске трошкове. Са смањеним трошковима уређаја за складиштење података и напретком рачунских технологија, чини се да је машинско учење засновано на подацима најперспективнији приступ за напредно моделирање батерија у будућности.
Циљ студије је постићи трансформативни ефекат на индустрију батерија и нагласити како машинско учење може тачно предвидети и побољшати здравље и живот батерије. Ово ће омогућити произвођачима да уграде софтвер директно у своје батеријске уређаје и побољшати своју животну услугу за потрошаче.