Na međunarodnoj konferenciji *20th CIRP International Conference on Intelligent Computation in Manufacturing Engineering* (CIRP ICME ’26), održanoj na Ischiji u Italiji, sudjelovala je naša istraživačica i doktorandica Tesa Herceg te predstavila istraživanje provedeno u sklopu projekta INSIGHT (*Intelligent data models for the production and recycling of battery cells*), na kojem surađuju Fakultet strojarstva i brodogradnje Sveučilišta u Zagrebu i Centar kompetencija za baterijske članke (BCCC) BMW Grupe.
Konferencija CIRP ICME ’26 okuplja istraživače i stručnjake iz industrije iz cijelog svijeta kako bi predstavili i raspravljali o napretku u računalnim metodama, strojnom učenju, simulacijama i pristupima temeljenim na podacima, a koji se primjenjuju u suvremenom proizvodnom inženjerstvu. Tehnički program konferencije obuhvatio je širok raspon tema, od inteligentnog upravljanja procesima i predviđanja kvalitete do digitalnih blizanaca i održive proizvodnje.
Tesa je svoj rad predstavila u sesiji posvećenoj pristupima temeljenima na podacima u proizvodnji, točnije u sesiji o proizvodnji baterija.
Njezin rad, naslovljen *Machine Learning-Based Prediction of Electrolyte Wetting Rate in the Lithium-ion Battery Cell Filling Process* (Predviđanje brzine močenja elektrolitom u procesu punjenja litij-ionskih baterijskih članaka primjenom strojnog učenja), bavi se fazom punjenja i močenja elektrolitom, što predstavlja kritičan i dugotrajan korak u proizvodnji litij-ionskih baterijskih članaka. Ravnomjerno i potpuno močenje slojeva elektroda elektrolitom ključno je za postizanje visoke kvalitete članka i njegovih elektrokemijskih svojstava, no taj je proces teško izravno izravno pratiti i kontrolirati.
Rad predlaže primjenu strojnog učenja za predviđanje brzine močenja elektrolitom na temelju stvarnih proizvodnih podataka. Brzina močenja određuje se iz procesnih mjerenja pomoću jednadžbe temeljene na Washburnovom modelu, a ulazne značajke uključuju karakteristike elektroda i namotaja (tzv. *jelly roll*) iz prethodnih faza proizvodnje, kao i parametre procesa punjenja za koje je metodom planiranja eksperimenta (DoE) utvrđeno da imaju najveći utjecaj. Uspoređeno je više modela strojnog učenja, pri čemu su najbolje rezultate postigli modeli *Random Forest* i *Gradient Boosting*, s vrijednošću faktora determinacije R² ≈ 0,88. Analiza važnosti značajki pokazala je da su duljina elektrode, promjer namotaja i tlak punjenja najutjecajniji čimbenici koji određuju brzinu močenja. Ovi nalazi pridonose boljem razumijevanju procesa punjenja i mogu smanjiti potrebu za ponavljanjem eksperimentalnih istraživanja.
Ovi rezultati predstavljaju dodatan doprinos glavnom cilju projekta INSIGHT – razvoju inteligentnih podatkovnih modela koji podržavaju i optimiziraju svaku fazu proizvodnje i recikliranja baterijskih članaka. Uz znanstveni program, konferencija je pružila brojne prilike za umrežavanje i razmjenu znanja među istraživačima, profesorima i stručnjacima iz industrije, nudeći vrijedan uvid u najnovije trendove i otvorene izazove u području inteligentne proizvodnje.
Projekt je sufinancirala Europska unija iz Europskog fonda za regionalni razvoj.
Izradu internetske stranice je sufinancirala Europska unija iz Europskog fonda za regionalni razvoj.
Sadržaj internetske stranice isključiva je odgovornost Fakulteta strojarstva i brodogradnje.