Predecir con precisión la duración de la batería con modelos de aprendizaje automático

• Un nuevo modelo de inteligencia artificial puede determinar con precisión el estado de salud de una batería.
• Utiliza datos capturados de la batería en sus etapas iniciales y predice si la batería tendrá una vida útil corta o larga.

Las baterías de iones de litio se utilizan en una amplia gama de aplicaciones debido a su alta densidad de energía, larga vida útil y bajos costos. En los últimos años, la comercialización de vehículos híbridos y eléctricos ha estimulado una creciente demanda de baterías de calidad. Por lo tanto, analizar el "estado" de la batería se ha vuelto cada vez más importante.

Sin embargo, uno de los principales obstáculos en el desarrollo de la tecnología de la batería es monitorear y probar el estado de la batería, lo que lleva mucho tiempo y el proceso afecta la vida útil de la batería.

Un parámetro llamado Estado de salud (SOH) representa la capacidad de la batería para almacenar energía, en relación con sus condiciones ideales o iniciales. Para una batería nueva, el SOH suele ser del 100%, pero disminuye con el tiempo. La evaluación de SOH es importante para el uso correcto y seguro de la batería. Sin embargo, no existe ninguna técnica que pueda determinar con precisión este valor sin dañar la duración de la batería.

Determinar SOH no es fácil

El SOH de una batería está asociado con dos factores que surgen a medida que las baterías envejecen:

1. Desvanecimiento de la capacidad:pérdida progresiva de la capacidad de almacenamiento
2. Resistencia eléctrica:aumento progresivo de la impedancia que hace que la energía de la batería disminuya.

En las baterías de iones de litio, el aumento de impedancia y la pérdida de capacidad de almacenamiento se producen a partir de numerosos procesos que interactúan. Dado que estos procesos ocurren en escalas de tiempo similares, es muy difícil analizarlos de forma independiente. Por lo tanto, no se puede usar una sola medición directa para evaluar SOH.

Las técnicas tradicionales [para determinar SOH] implican evaluar las interacciones entre los electrodos de la batería. Pero dado que esto hace que la batería sea inestable, estas técnicas son inaceptables.

En la actualidad, existen dos enfoques para determinar SOH de una manera menos destructiva:modelos adaptativos y métodos experimentales. El primer enfoque utiliza datos de rendimiento de la batería para autoajustar y disminuir errores. Sin embargo, este tipo de métodos debe entrenarse con datos experimentales antes de que puedan usarse realmente en un entorno de producción.

El segundo enfoque, por otro lado, puede usarse para determinar mecanismos de falla particulares o procesos físicos que ocurren en una batería. Esto proporciona una buena estimación de la tasa futura de degradación de la capacidad. Sin embargo, estos métodos no logran identificar fallas intermitentes.

La IA puede predecir con precisión la vida útil de las baterías

Ahora, investigadores del MIT, la Universidad de Stanford y el Instituto de Investigación de Toyota han creado un modelo de inteligencia artificial (IA) que puede determinar con precisión el SOH de una batería.

El equipo creó un conjunto de datos completo que caracteriza el rendimiento de 124 baterías de iones de litio. Los datos se registraron cuando las baterías se sometieron a diferentes condiciones de carga rápida. Se incluyó en los datos una amplia gama de ciclos de carga y descarga (250 - 2300).

Referencia:Naturaleza | doi:10.1038 / s41560-019-0356-8

Luego utilizaron el método de aprendizaje automático (ML) para examinar los datos y generar modelos que pueden estimar con precisión la vida útil del ciclo de la batería. Analizaron solo los primeros 100 ciclos de cada batería (antes de que hubiera indicios claros de pérdida de capacidad de almacenamiento).

Vida útil estimada frente a observada de las baterías | La línea punteada muestra dónde son iguales las estimaciones y las observaciones, como referencia | Cortesía de investigadores

El mejor modelo generado por ML fue capaz de estimar correctamente la vida útil del ciclo para el 91% de las baterías. Los investigadores también utilizaron este método para estudiar datos de solo los primeros 5 ciclos de cada batería. En esta ocasión, el objetivo era averiguar si las baterías tendrían una vida útil larga o corta (más o menos de 550 ciclos de carga y descarga). En este caso, el modelo hizo predicciones correctas para el 95% de las baterías.

Aunque los nuevos modelos eran más efectivos que los métodos tradicionales de determinación de SOH, eran menos precisos para predecir el ciclo de vida útil de las baterías cuya capacidad de almacenamiento ya se había desvanecido hasta cierto punto.

Leer:La nueva batería de aluminio-grafeno se puede cargar en 5 segundos

El equipo de investigación cree que su nuevo enfoque es una forma prometedora de estimar los ciclos de vida de las baterías de iones de litio y podría ayudar en el desarrollo / mejora de la tecnología de baterías emergente.