Prediga la vida útil de la batería con el aprendizaje automático

En un nuevo estudio, los investigadores del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE) recurrieron al aprendizaje automático para predecir la vida útil de una amplia gama de diferentes químicas de baterías. Mediante el uso de datos experimentales recopilados en Argonne a partir de un conjunto de 300 baterías que representan seis químicas de batería diferentes, los científicos pueden determinar con precisión cuánto tiempo seguirán funcionando las diferentes baterías.

En un algoritmo de aprendizaje automático, los científicos entrenan un programa de computadora para hacer inferencias sobre un conjunto inicial de datos conocidos que se le alimentan, y luego toman lo que ha aprendido de ese entrenamiento para tomar decisiones sobre un nuevo conjunto de datos desconocidos.

“Para cada tipo diferente de aplicación de batería, desde teléfonos celulares hasta vehículos eléctricos y almacenamiento en la red, la vida útil de la batería es de fundamental importancia”, dijo el científico computacional de Argonne Noah Paulson, autor del estudio. ​“Tener que hacer ciclos de una batería miles de veces hasta que falla puede llevar años; nuestro método crea una especie de cocina de prueba computacional donde podemos establecer rápidamente cómo se comportarán las diferentes baterías”.

"En este momento, la única forma de evaluar cómo se desvanece la capacidad de una batería es hacer un ciclo de la batería", agregó la electroquímica de Argonne Susan "Sue" Babinec, otra autora del estudio. ​“Es muy caro y lleva mucho tiempo”.

Según Paulson, el proceso de establecer la vida útil de la batería puede ser complicado. "La realidad es que las baterías no duran para siempre, y su duración depende de la forma en que las usemos, así como de su diseño y su química", dijo. ​“Hasta ahora, realmente no ha habido una buena manera de saber cuánto durará una batería. La gente va a querer saber cuánto tiempo tienen hasta que tengan que gastar dinero en una batería nueva”.

Un aspecto único del estudio es que se basó en un extenso trabajo experimental realizado en Argonne en una variedad de materiales de cátodo de batería, especialmente el cátodo a base de níquel-manganeso-cobalto (NMC) patentado de Argonne. "Teníamos baterías que representaban diferentes químicas, que tenían diferentes formas de degradarse y fallar", dijo Paulson. ​“El valor de este estudio es que nos dio señales que son características del rendimiento de las diferentes baterías”.

El estudio adicional en esta área tiene el potencial de guiar el futuro de las baterías de iones de litio, dijo Paulson. "Una de las cosas que podemos hacer es entrenar el algoritmo en una química conocida y hacer que haga predicciones sobre una química desconocida", dijo. "Esencialmente, el algoritmo puede ayudarnos a orientarnos en la dirección de químicas nuevas y mejoradas que ofrecen una vida útil más larga".

De esta forma, Paulson cree que el algoritmo de aprendizaje automático podría acelerar el desarrollo y las pruebas de los materiales de las baterías. ​“Digamos que tiene un material nuevo y lo cicla varias veces. Podría usar nuestro algoritmo para predecir su longevidad y luego tomar decisiones sobre si desea continuar ciclándolo experimentalmente o no”.

“Si eres un investigador en un laboratorio, puedes descubrir y probar muchos más materiales en menos tiempo porque tienes una forma más rápida de evaluarlos”, agregó Babinec.

Un artículo basado en el estudio, "La ingeniería de características para el aprendizaje automático permitió la predicción temprana de la vida útil de la batería", apareció en la edición en línea del 25 de febrero del Journal of Power