El aprendizaje automático permitirá baterías con mayor vida útil y carga ultrarrápida

Un equipo de la Universidad de Stanford ha creado un software que mediante el aprendizaje automático es capaz de reducir el proceso de prueba de un sistema de recarga ultrarrápido de 2 años a 16 días.

 El aprendizaje automático acelera el proceso de desarrollo de las baterías de los coches eléctricos.
El aprendizaje automático acelera el proceso de desarrollo de las baterías de los coches eléctricos.
12/03/2020 13:16
Actualizado a 25/03/2020 10:10

Un equipo de investigadores de la Universidad de Stanford ha creado un software que emplea un método de aprendizaje automático capaz de acelerar el proceso de desarrollo de una batería. Hoy en día se tardan meses o incluso años en probar y refinar nuevas tecnologías para las baterías. Con el nuevo software, ese tiempo puede reducirse en un 98%, de manera que sería posible llegar implementarlas en un breve periodo de tiempo. La primera aplicación de este software ha sido  encontrar el mejor método para cargar una batería de  un vehículo en 10 minutos que maximice su vida útil.

El rendimiento de la batería de un coche eléctrico es clave para que sus propietarios puedan disfrutar de la experiencia que supone pasarse a la movilidad eléctrica. A la vez es un requisito fundamental para que la autonomía de los vehículos eléctricos no sea solo un dato que ofrezca una homologación, sino una realidad que se mantiene durante un periodo de vida razonable, similar a la que ofrece el propio coche.

Con el nuevo software el tiempo de pruebas se reduice un 98%

Con el nuevo software el tiempo de pruebas se reduice un 98%.

Durante décadas, los avances que pueden ser implementados en las baterías de los coches eléctricos han estado limitados por los tiempos de evaluación que se necesitan para garantizar su correcto funcionamiento. En cada etapa del proceso de desarrollo, las nuevas tecnologías deben probarse durante meses o incluso años para determinar su durabilidad con el paso del tiempo. Un equipo dirigido por Stefano Ermon y William Chueh, profesores de la Universidad de Stanford, ha desarrollado un algoritmo de aprendizaje automático que podría cambiar este escenario.

Los investigadores dicen que su nuevo método reduce los tiempos de prueba hasta en un 98%. Hasta ahora, la investigación lo ha probado para aumentar la velocidad de carga de una batería, aunque en sus conclusiones asegura que  también se puede aplicar a otros sistemas de la batería durante su periodo de desarrollo. El objetivo inicial es encontrar el mejor método para cargar una batería de un vehículo eléctrico en tan solo 10 minutos que además maximice su vida útil. Los investigadores escribieron un programa que, basado solo en unos pocos ciclos de carga, predecía cómo respondería la batería en función de diferentes escenarios de carga.

El software también es capaz de decidir en tiempo real que tipo de carga aceptar o ignorar. Al reducir el número de ensayos necesarios mediante el aprendizaje automático, los investigadores lograron reducir un proceso de pruebas que llevaría  dos años a tan solo 16 días. Además de acelerar el proceso, la solución ofrecida por este método "fue mejor, y más inusual que la que ofrecería el método científico habitual", aseguran el equipo.

El estudio, publicado en la revista Nature, forma parte de una colaboración entre Stanford, el MIT (Massachusetts Institute of Technology) y el Toyota Research Institute que incluye otras direcciones de la investigación académica fundamental y las aplicaciones de la industria al mundo real. El sistema de aprendizaje automático y el sistema de recopilación de datos del estudio estarán disponibles para que los desarrolladores de  baterías los utilicen libremente.

Sobre la firma
foto gonzalo garcia
Gonzalo García

Redactor y probador especializado en vehículos eléctricos y movilidad sostenible. Escribe en Híbridos y Eléctricos desde 2017. Es ingeniero de Caminos por la Universidad Politécnica de Madrid y Técnico especialista en vehículos híbridos y eléctricos por la SEAS. Ha trabajado en medios como Movilidad Eléctrica y Km77.