Desde que el tiempo es tiempo, predecir cuántos kilómetros se pueden hacer con lo que quedaba de gasolina en el depósito ha sido complicado. Son muchos los factores que entran en juego, así que, aunque el ordenador de abordo marcase una autonomía restante, en realidad podía ser mayor o, normalmente, menor. Esta situación, aplicada a los coches eléctricos no hace si no potenciar la ansiedad por autonomía, pero la Inteligencia Artificial (IA) podría tener la solución a ello.
Los ingenieros de la UCR de California, acaban de presentar una herramienta de diagnóstico que tiene como cometido hacer saber al conductor si su vehículo de cero emisiones, con la energía de la que dispone, será capaz de llevar a cabo una tarea concreta. Se llama State of Mission (SOM), es decir, ‘Estado de la misión’, lo que es un nombre muy apropiado.
Adiós a la incertidumbre
Actualmente, el cuadro de instrumentos de un coche eléctrico suele mostrar el porcentaje de batería restante y una estimación de los kilómetros que podría recorrer. Sin embargo, ese dato es orientativo y en muchas ocasiones poco realista, puesto que se ve afectado por múltiples factores: si es una zona urbana aguantará mejor, si el conductor se pasa un poco con el acelerador caerá en picado, etc.
Lo que propone SOM es que, cuando el usuario ponga en su navegador un destino, el sistema utiliza la IA para combinar toda una serie de factores (estilo de conducción del piloto, el tráfico en tiempo real, el desnivel existente, la temperatura, etc.) y ofrecer un resultado preciso, para saber se manera fidedigna si el automóvil va a poder completar dicho trayecto o no.
Mihri Ozkan, profesor de ingeniería de la UCR que participó en el desarrollo del sistema, explica: “Es una medida consciente de la misión que combina datos y física para predecir si la batería puede completar una tarea planificada en condiciones del mundo real. [El sistema] transforma datos abstractos de la batería en decisiones prácticas, mejorando la seguridad, la fiabilidad y la planificación para vehículos, drones y cualquier aplicación donde la energía deba adaptarse a una tarea del mundo real”.
Una precisión superior a la de los sistemas actuales
Según el estudio, que se ha publicado en iScience, los sistemas actuales de gestión de baterías se basan en ecuaciones físicas rígidas o en modelos de IA opacos, pero SOM combina ambos, tomando los puntos fuertes de cada uno, pero reduciendo los débiles. Así, tiene las bases de la electroquímica y la termodinámica, pero es más adaptable gracias a su capacidad de aprendizaje, conociendo mejor el comportamiento de las baterías en aspectos como el ritmo al que se descargan, como le afectan las temperaturas, etc.
Ozkan explica que “al combinarlos, obtenemos lo mejor de ambos mundos: un modelo que aprende de forma flexible de los datos, pero que siempre se mantiene anclado en la realidad física”.
En la investigación, el equipo puso a prueba a SOM utilizando conjuntos de datos públicos de la NASA y la Universidad de Oxford sobre el rendimiento real de baterías. En ellos había información de todo tipo, desde datos de voltaje a variaciones de temperatura, pasando por cómo se comportaban los ciclos de carga y descarga. Los investigadores concluyeron que, en comparación con las herramientas de diagnóstico convencionales, SOM rebajó los errores de predicción en 0,018 voltios para el voltaje, 1,37 °C para la temperatura y un 2,42 % para el estado de carga.
El principal problema que presenta el sistema, por el momento, es que necesita una potencia de procesamiento mayor de la que el sistema eléctrico de un vehículo de baterías puede gestionar en la actualidad. Por eso, están trabajando en su optimización, considerando que es algo que se puede aplicar a todo tipo sectores: “El mismo enfoque híbrido puede mejorar la fiabilidad, la seguridad y la eficiencia en una amplia gama de tecnologías, desde automóviles y drones hasta sistemas de baterías domésticos e incluso misiones espaciales”, añade Ozkan.