Los investigadores ya pueden predecir la duración de las baterías con el aprendizaje automático
10.05.2022
Imagínese que un médium le dijera a sus padres, el día en que nació, cuánto tiempo viviría. Una experiencia similar es posible para los químicos de baterías que están utilizando nuevos modelos computacionales para calcular la vida útil de las baterías basándose en tan sólo un ciclo de datos experimentales.
En un nuevo estudio, los investigadores del Laboratorio Nacional de Argonne del Departamento de Energía de EE.UU. (DOE) han recurrido al poder del aprendizaje automático para predecir la vida útil de una amplia gama de diferentes químicas de baterías. Utilizando los datos experimentales recogidos en Argonne de un conjunto de 300 baterías que representan seis químicas diferentes, los científicos pueden determinar con precisión cuánto tiempo continuarán los ciclos de las diferentes baterías.
En un algoritmo de aprendizaje automático, los científicos entrenan a un programa informático para que haga inferencias sobre un conjunto inicial de datos, y luego toman lo que ha aprendido de ese entrenamiento para tomar decisiones sobre otro conjunto de datos.
“Para cada tipo de aplicación de las baterías, desde los teléfonos móviles hasta los vehículos eléctricos y el almacenamiento en red, la vida útil de las baterías tiene una importancia fundamental para todos los consumidores”, afirma el científico informático de Argonne Noah Paulson, autor del estudio. “Tener que ciclar una batería miles de veces hasta que falle puede llevar años; nuestro método crea una especie de cocina de pruebas computacional en la que podemos establecer rápidamente el rendimiento de diferentes baterías”.
“Ahora mismo, la única forma de evaluar cómo se desvanece la capacidad de una batería es hacer un ciclo real de la misma”, añadió 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 una batería puede ser complicado. “La realidad es que las baterías no duran para siempre, y su duración depende del modo en que las usemos, así como de su diseño y su química”, dijo. Hasta ahora, no había una buena manera de saber cuánto va a durar una batería. La gente va a querer saber cuánto tiempo tiene hasta que tenga que gastar dinero en una nueva batería”.
Un aspecto único del estudio es que se basó en un amplio trabajo experimental realizado en Argonne sobre una variedad de materiales de cátodos de baterías, especialmente el cátodo patentado de Argonne basado en níquel-manganeso-cobalto (NMC). “Teníamos baterías que representaban diferentes químicas, que tienen diferentes formas de degradarse y fallar”, dijo Paulson. “El valor de este estudio es que nos dio señales que son características de cómo funcionan las diferentes baterías”.
Según Paulson, si se sigue estudiando este tema, se podrá orientar el futuro de las baterías de iones de litio. “Una de las cosas que podemos hacer es entrenar el algoritmo con una química conocida y hacer predicciones con una química desconocida”, dijo. “Esencialmente, el algoritmo puede ayudarnos a apuntar en la dirección de químicas nuevas y mejoradas que ofrezcan una mayor vida útil”.
De este modo, Paulson cree que el algoritmo de aprendizaje automático podría acelerar el desarrollo y las pruebas de los materiales de las baterías. “Digamos que tienes un nuevo material y lo sometes a varios ciclos. Podrías utilizar nuestro algoritmo para predecir su longevidad, y luego tomar decisiones sobre si quieres seguir ciclando 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”, añadió Babinec.
