CHEMTIVA: KIMYA ENDÜSTRISINDE RISK AZALTMA VE DIJITALLEŞME
PILLERIN ÖMRÜNÜ VE GÜVENLIĞINI ARTIRMAK IÇIN “MAKINE ÖĞRENIMI”
Kimya endüstrisindeki rekabet her zamankinden daha zor bir hal alıyor. Artan ihtiyaçlarla birlikte yeni risklerde ortaya çıkıyor. Bu riskleri yönetmek ve azaltmak zor bir süreç olabilir. Doğru bilgi olmadan, kimya endüstrisindeki profesyoneller kritik kararlar vermekte zorlanabilirler.
Bilgi analizi şirketi Elsevier, kimya endüstrisi profesyonellerinin kritik kararlardaki zorluklarının üstesinden gelmek, ürün yaşam döngüsü boyunca bilinçli kararlar vermelerine yardımcı olmak amacı ile “Chemtiva” dijital çözümünü piyasaya sürdüğünü duyurdu.
Chemtiva nedir?
Chemtiva, kimya endüstrisindeki ticari fizibilite, uygunluk ve güvenlik zorluklarını çözmek için en iyi çözümlerden biri olarak karşımıza çıkıyor. Ar-Ge'den üretime kadar bir ürününü tüm yaşam döngüsü boyunca ticari ve bilimsel soruları yanıtlamak için kullanılabiliyor.
Chemtiva, yeni ve mevcut kimyasal ürünlerdeki riski azaltmak için kritik bilgileri bir araya getirmek üzere çok sayıda teknolojiden yararlanır.
Şirketler, Chemtiva'nın yardımıyla, bilimsel ve ticari bilgileri tek bir platformda birleştirebilecek, veri ihtiyaçlarını ele alacak ve araştırma-geliştirme (AR-GE) ile çevre, sağlık ve güvenlik (EHS) işlevleri arasındaki işlevler arası işbirliğini destekleyebilecekler.
Elsevier Engineering Solutions başkan yardımcısı Bryan Davies, ”Küresel kimya endüstrisi her yıl Ar-Ge'ye 51 milyar doların üzerinde yatırım yapıyor. Daha fazla rekabet, sürekli değişen yasal düzenlemeler ve daha sürdürülebilir ürünler geliştirmek için piyasa baskısı ile karşılaşan kimya endüstrisi, bilinçli kararlar vermek ve verimlilik ve karlılığı artırmak için doğru bilgiye sahip olmalıdır.”“Endüstri ortaklarıyla yakın çalışarak, kimya şirketlerinin daha iyi yatırım ve geliştirme kararları almalarına yardımcı olmak için Chemtiva'yı geliştirdik, böylece daha hızlı ve daha kârlı ürünleri pazara daha hızlı getirebilirler.
Chemtiva, küresel bilimsel literatür ve EHS düzenlemelerinden gelen bilgileri normalleştirmek ve entegre etmek için tescilli alana özgü taksonomiler, ontolojiler ve veri bilimi teknolojilerini kullanır.”
Chemtiva 13 milyondan fazla kimyasal madde, yedi milyon ürün ve 17.000 tedarikçi hakkındaki bilgiyi bir araya getiriyor.
Kaynak: https://www.elsevier.com/solutions/chemtiva
Araştırmacılar, elektrikli araçlar ve tüketici elektroniği için daha güvenilir pillerin geliştirilmesine yardımcı olabilecek ve mevcut endüstri standardından 10 kat daha yüksek doğrulukla pil sağlığını tahmin edebilen bir makine öğrenimi yöntemi tasarladılar.
Cambridge ve Newcastle Üniversitelerinden araştırmacıların çalışması, pillere elektrik şoklarının gönderilerek, sonrasında ise gelen yanıtın ölçülerek izlenmesini esas almaktadır. Ölçümler daha sonra pilin sağlığını ve ömrünü tahmin etmek için bir makine öğrenme algoritması ile işlenir. Yöntemleri invaziv değildir ve mevcut herhangi bir pil sistemine basit olarak eklenebilmektedir.
Lityum iyon pillerin sağlık durumunu ve kalan ömrünü tahmin etmek, elektrikli araçlar ve cep telefonu kullanıcıları için büyük bir gerekliliktir.
Pil sağlığını tahmin etmek için mevcut yöntemler, pilin şarj edilmesi ve boşaltılması sırasında akım ve voltajın izlenmesine dayanır.
Bu, pil sağlığını gösteren önemli özelliklerin gözden kaçırılmasına neden olur. Pilde gerçekleşen birçok işlemi izlemek, pilleri çalışırken araştırmanın yeni yollarının yanı sıra, şarj edilmiş ve deşarj olurken sinyalleri algılayabilen yeni algoritmalar gerektirir.
Araştırmaya öncülük eden Cambridge Cavendish Laboratuvarı'ndan Dr. Alpha Lee, " Çok fazla enerji toplayabilen pilleri dar alanlarda kullanılabilecek şekilde geliştirdiğimiz için pillerdeki güvenlik ve güvenilirlik en önemli tasarım kriteri olmuştur. Şarj ve deşarjı izleyen yazılımı geliştirerek ve şarj işlemini kontrol etmek için veriye dayalı yazılım kullanarak, pil performansında büyük bir gelişme sağlayabileceğimize inanıyorum" diyor. Araştırmacılar, içine elektrik şokları göndererek ve tepkisini ölçerek pilleri izlemek için bir yol tasarladılar. Daha sonra elektriksel yanıtta pil ömrünün en belirgin belirtisi olan belirli özellikleri keşfetmek için bir makine öğrenme modeli kullanılır.
Araştırmacılar, türünün en büyük veri seti olan modeli eğitmek için 20.000'den fazla deneysel ölçüm gerçekleştirdiler. Önemlisi, model önemli sinyallerin alakasız gürültüden nasıl ayırt edileceğini öğrenir. Araştırmacılar ayrıca makine öğrenme modelinin fiziksel bozulma mekanizması hakkında ipuçları vermek üzere yorumlanabileceğini de gösterdiler. Model, hangi elektrik sinyallerinin pil ömrü ile en fazla ilişkili olduğunu bildirebilir, bu da pillerin neden ve nasıl bozulduğunu araştırmak için belirli deneyler tasarlamalarına izin verebilir.
Cavendish Laboratuvarı'ndan ve prpje ekibinden Dr Yunwei Zhang, “Makine öğrenimi fiziksel anlayışı tamamlar ve arttırır. Makine öğrenimi modelimiz tarafından tanımlanan yorumlanabilir sinyaller, gelecekteki teorik ve deneysel çalışmaların başlangıç noktasıdır" açıklamalarını yaptı.
Araştırmacılar şimdi farklı pil kimyalarındaki bozulmayı anlamak için makine öğrenme platformlarını kullanıyorlar. Ayrıca hızlı şarj sağlamak ve bozulmayı en aza indirmek için makine öğrenimi ile çalışan optimum pil şarj protokolleri geliştiriyorlar.
Kaynak: https://www.chemeurope. com/en/news/1165750/ai-techniques-used-to-improve-battery-health-and-safety.html