Modelos de aprendizaje automático predicen con precisión la salud y longevidad de baterías

Un nuevo modelo de inteligencia artificial puede determinar con exactitud el Estado de Salud (SOH) de una batería.

Utiliza datos capturados en las etapas iniciales de la batería y predice si tendrá una vida larga o corta.

El desafío de monitorizar la salud de las baterías

Las baterías de iones de litio se usan en una amplia gama de aplicaciones por su alta densidad energética, larga vida útil y bajo coste. En los últimos años, la comercialización de vehículos híbridos y eléctricos ha estimulado una demanda creciente de baterías de calidad. Así, analizar la «salud» de las baterías se ha vuelto cada vez más importante.

Sin embargo, uno de los principales obstáculos en el desarrollo de tecnología de baterías es la monitorización y prueba de su salud, que lleva mucho tiempo y el proceso afecta la vida de la batería.

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

Determinar el SOH no es fácil

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

1. Pérdida de capacidad: pérdida progresiva de capacidad de almacenamiento
2. Resistencia eléctrica: aumento progresivo de la impedancia que causa la caída de potencia de la batería.

En las baterías de iones de litio, el aumento de impedancia y la pérdida de capacidad ocurren por numerosos procesos interactivos. Como estos procesos suceden en escalas de tiempo similares, es muy difícil analizarlos independientemente. Así, no se puede usar una sola medición directa para evaluar el SOH.

Las técnicas tradicionales [para determinar el SOH] implican evaluar interacciones entre los electrodos de la batería. Pero como esto vuelve inestable a la batería, estas técnicas son inaceptables.

Actualmente, hay dos enfoques para determinar el SOH de manera menos destructiva: modelos adaptativos y métodos experimentales. El primero usa datos de rendimiento de la batería para autoajustarse y reducir errores. Sin embargo, este tipo de métodos necesitan entrenarse con datos experimentales antes de poder usarse en producción.

El segundo enfoque, por otro lado, puede determinar mecanismos de fallo particulares o procesos físicos que ocurren en una batería. Esto proporciona una buena estimación de la tasa futura de degradación de capacidad. Sin embargo, tales métodos no logran identificar fallos 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 desarrollado un modelo de inteligencia artificial (IA) que puede determinar con precisión el SOH de una batería.

El equipo creó un conjunto de datos exhaustivo que caracteriza el rendimiento de 124 baterías de iones de litio. Los datos se registraron mientras las baterías se sometían a diferentes condiciones de carga rápida. Se incluyó una amplia gama de ciclos de carga y descarga (250–2.300).

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

Luego usaron el método de Aprendizaje Automático (ML) para examinar los datos y generar modelos que estiman con precisión la vida útil en ciclos de las baterías. Analizaron solo los primeros 100 ciclos de cada batería (antes de que hubiera indicaciones claras de pérdida de capacidad).

Vida estimada vs observada de las baterías | La línea discontinua muestra donde estimaciones y observaciones son iguales | Cortesía de los investigadores

El mejor modelo generado por ML pudo estimar correctamente la vida en ciclos para el 91% de las baterías. Los investigadores también usaron este método para estudiar datos de solo los primeros 5 ciclos de cada batería. Esta vez, el objetivo era determinar si las baterías tendrían una vida larga o corta (más o menos de 550 ciclos de carga-descarga). En este caso, el modelo hizo predicciones correctas para el 95% de las baterías.

Aunque los nuevos modelos fueron más efectivos que los métodos tradicionales de determinación del SOH, fueron menos precisos al predecir la vida en ciclos de baterías cuyas capacidades ya se habían degradado en cierta medida.

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