Un equipo de científicos pertenecientes al Instituto Tecnológico de Massachusetts (MIT), la Universidad de Stanford y el Instituto de Investigación Toyota (TRI) han descubierto que la combinación de datos experimentales y la inteligencia artificial es la clave para predecir con precisión la vida útil de las baterías de iones litio antes de que sus capacidades comiencen a reducirse, incluyendo la influencia de la recarga rápida. Este método de investigación también permite acelerar el estudio de nuevos materiales para las baterías.
Una de las tareas críticas en los proyectos de investigación basados en datos y llevada a cabo en múltiples ubicaciones, es garantizar que la enorme cantidad de datos producidos en los laboratorios experimentales se gestionen y transfieran entre los diferentes grupos de investigación de manera eficiente. Los coautores del estudio, Muratahan Aykol y Patrick Herring, llevaron su experiencia al desarrollo de baterías para permitir una gestión eficaz y un flujo continuo de datos, que resultó esencial para esta colaboración y permitió crear modelos precisos de aprendizaje automático y predecir de forma temprana los fallos de la batería.
La capacidad de cálculo de los ordenadores permite que el aprendizaje automático acelere el progreso de una gran variedad de tareas. Entre ellas se incluye la predicción de las propiedades de los materiales. "Nuestros resultados muestran cómo podemos predecir el comportamiento de sistemas complejos en el futuro", explica el director del equipo del MIT, Richard Braatz.
La investigación y el desarrollo de las baterías están limitados por el tiempo necesario para obtener los resultados de las investigaciones, que se mide en décadas. "En este trabajo, estamos reduciendo en un orden de magnitud las pruebas de las baterías, uno de los pasos más prolongados", aclara Patrick Herring, coautor del estudio, perteneciente al TRI.
Vida útil de las baterías
En las pruebas realizadas, el nuevo algoritmo de aprendizaje automático, alimentado con cientos de millones de datos, es capaz de predecir cuántos ciclos más durará una batería a partir de los ciclos iniciales de carga y descarga, basándose en la disminución del voltaje y algunos otros factores. El resultado de la predicción está dentro del 9% por ciento de la vida real de la batería.
Además, el algoritmo es capaz de clasificar las baterías en función de la expectativa de vida, larga o corta, basándose también en los primeros cinco ciclos de carga y descarga, logrando un 95% de predicciones correctas. Los fabricantes de baterías pueden utilizar su clasificación según su tiempo vida útil para elaborar diferentes tarifas de precios en función de las exigencias del uso al que se van a someter. Los vehículos eléctricos serían, en este caso, una de las aplicaciones más exigentes.
Carga rápida
Entre los objetivos del proyecto está investigar el efecto de la carga rápida sobre la degradación de las baterías. Para generar un conjunto de datos suficientes para el estudio posterior, el equipo cargó y descargó las baterías hasta que cada una de ellas alcanzó el final de su vida útil, definida como una pérdida de capacidad del 20% sobre el total inicial.
La evolución de la capacidad de una batería de iones de litio es estable por un tiempo hasta que, en un punto dado, desciende bruscamente, siendo la curva de pérdida muy variable en función de cada batería. En este proyecto, las diferentes baterías soportaron entre 150 y 2.300 ciclos. Esa variación fue en parte el resultado de probar diferentes métodos de carga rápida, y también diferentes tipos de químicas en los electrodos y en las interfaces moleculares.
La IA permite predecir con precisión la vida útil de las baterías, descubrir nuevos materiales avanzados y acelerar la recarga rápida
Los investigadores están utilizando este modelo de predicción temprana para optimizar los procedimientos de carga, que podrían permitir tiempos de recarga de tan solo diez minutos. De esta forma el tiempo necesario para la optimización puede reducirse en más de un factor de diez, acelerando significativamente la investigación y el desarrollo.
Otras aplicaciones
Entre otras aplicaciones, este método de aprendizaje automático podría acelerar la investigación y el desarrollo de nuevos diseños de baterías y reducir el tiempo y el coste de su producción. Según Petter Attia de la Universidad de Stanford, autor principal del estudio, el nuevo método tiene muchas aplicaciones potenciales. Puede acortar el tiempo para validar nuevos materiales químicos para las baterías, lo que es particularmente importante hoy en día, dado el rápido avance en la ingeniería de los materiales.
La forma estándar de probar nuevos diseños de baterías es un cuello de botella costoso en la investigación. La sistemática consiste en cargar y descargar las celdas hasta que se degraden completamente. Dado que las baterías tienen una larga vida útil, este proceso puede durar meses e incluso años.
Las empresas de reciclaje pueden detectar las celdas que en el interior de un paquete de baterías de un vehículo eléctrico mantienen todavía un tiempo de vida útil suficiente para ser usadas en una aplicación secundaria.
Otro uso más es la optimización de los procesos de fabricación de baterías ya el método permite reducir el testeo final de la batería en el que se pueden consumir entre días y semanas. "El uso de nuestro enfoque podría reducir esto significativamente y disminuir el costo de producción", afirma Attia.
El proyecto
La investigación, liderada por el director del programa, Brian Storey, es una colaboración entre entidades de investigación, universidades y empresas que integra teoría, experimentos y gestión de datos. Cuenta con un presupuesto de 35 millones de dólares y es parte del programa de Descubrimiento y Diseño de Materiales Acelerados (AMDD) del TRI.
El trabajo se llevó a cabo en el Center for Data-Driven Design of Batteries. Los investigadores de Stanford, dirigidos por William Chueh, profesor asistente de Ciencia e Ingeniería de Materiales, llevaron a cabo los experimentos de batería. El equipo de MIT, dirigido por Richard Braatz, profesor de Ingeniería Química, realizó el trabajo de aprendizaje automático.
Los datos de la investigación se han hecho públicos en un artículo que se publica en Nature Energy. Petter Attia de la Universidad de Stanford y Kristen Severson son los coautores principales de esta publicación, junto a Muratahan Aykol y Patrick Herring.
