Predicción Precisa de Vida Útil de Baterías con IA – Estudio DOE Argonne

En un nuevo estudio, investigadores del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE) han recurrido al aprendizaje automático para predecir las vidas útiles de una amplia gama de diferentes químicas de baterías. Usando datos experimentales recopilados en Argonne de un conjunto de 300 baterías que representan seis químicas de baterías diferentes, los científicos pueden determinar con precisión cuánto tiempo seguirán ciclando diferentes baterías.

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

"Para cada tipo diferente de aplicación de batería, desde teléfonos celulares hasta vehículos eléctricos y almacenamiento en red, la vida útil de la batería es de importancia fundamental", dijo el científico computacional de Argonne Noah Paulson, autor del estudio. "Tener que ciclar una batería miles de veces hasta que falla puede tomar años; nuestro método crea una especie de cocina de pruebas computacional donde podemos establecer rápidamente cómo van a rendir diferentes baterías."

"Ahora mismo, la única forma de evaluar cómo se desvanece la capacidad en una batería, es realmente ciclar la batería", agregó la electroquímica de Argonne Susan "Sue" Babinec, otra autora del estudio. "Es muy costoso y toma mucho tiempo."

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

Un aspecto único del estudio es que se basó en trabajo experimental extensivo hecho en Argonne en una variedad de materiales de cátodo de batería, especialmente el cátodo patentado de níquel-manganeso-cobalto (NMC) de Argonne. "Teníamos baterías que representaban diferentes químicas, que tienen diferentes formas en que se degradarían y fallarían", dijo Paulson. "El valor de este estudio es que nos dio señales que son características de cómo rinden diferentes baterías."

Estudio adicional en esta área tiene el potencial de guiar el futuro de baterías de iones de litio, dijo Paulson. "Una de las cosas que podemos hacer es entrenar el algoritmo en una química conocida y que haga predicciones en una química desconocida", dijo. "Esencialmente, el algoritmo puede ayudarnos a apuntar en la dirección de químicas nuevas y mejoradas que ofrezcan vidas útiles más largas."

De esta manera, Paulson cree que el algoritmo de aprendizaje automático podría acelerar el desarrollo y prueba de materiales de batería. "Digamos que tienes un material nuevo, y lo ciclas unas pocas veces. Podrías usar nuestro algoritmo para predecir su longevidad, y luego tomar decisiones sobre si quieres continuar ciclandolo 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, "Feature engineering for machine learning enabled early prediction of battery lifetime", apareció en la edición en línea del 25 de febrero del Journal of Power