La demanda de electrificación del transporte ha surgido en los últimos años debido a la creciente preocupación por el calentamiento global. La adopción generalizada de vehículos eléctricos dará como resultado una reducción de las emisiones nocivas y un aire más limpio. entre otros beneficios sociales y económicos. La industria de las baterías necesita soluciones de software para que los fabricantes de baterías reduzcan los costos de fabricación y desarrollo al tiempo que mejoran las métricas clave de las baterías.

La IA está desbloqueando la tecnología de baterías que impulsará el futuro del transporte limpio, provocando un cambio en la industria automotriz. Sin embargo, capacidad de carga, La densidad y los costes energéticos deberán mejorar drásticamente. La IA tiene el potencial de afectar el desarrollo de la batería y comprender la relación entre los datos y los parámetros de la batería.

El desempeño, costo, y la seguridad de las baterías determinan el desarrollo exitoso de los vehículos eléctricos (EV) y, actualmente, Las baterías de iones de litio (Li-ion) son la opción preferida para los vehículos eléctricos debido a su ciclo de vida y su densidad de energía razonable.

Sin embargo, una mayor investigación de las baterías de iones de litio dará como resultado una dinámica de batería más complicada, donde la seguridad y la eficiencia se convertirán en una preocupación.

Por lo tanto, Un sistema avanzado de gestión de la batería que pueda optimizar y supervisar la seguridad es fundamental para la electrificación de los vehículos.

Una colaboración entre el Dr. Gareth Conduit (Laboratorio Cavendish, Universidad de Cambridge y cofundador de Intellegens), el Instituto de Investigación e Ingeniería de Materiales en A * STAR, y la Universidad Tecnológica de Nanyang evaluaron varios enfoques de aprendizaje automático (ML) para una predicción rápida y precisa del estado de la batería. El artículo de revisión fue publicado en Inteligencia de la máquina de la naturaleza .

Aprendizaje automático basado en datos para optimizar la batería de los vehículos eléctricos

Se han implementado algoritmos de aprendizaje automático para predecir el estado de salud, estado de carga, y vida útil restante.

Los modelos basados ​​en datos han llamado la atención en los últimos años, y combinado con técnicas de aprendizaje automático, estos modelos parecen ser más poderosos y capaces de predecir sin un conocimiento a priori del sistema y tienen el potencial de lograr una alta precisión con un bajo costo computacional.

Las baterías tienen varios parámetros clave, incluyendo voltaje, temperatura, y estado de cambio. El mal funcionamiento de la batería está asociado con fluctuaciones anormales en estos parámetros, por lo tanto, predecirlos con precisión es crucial para garantizar que los vehículos eléctricos funcionen de manera confiable y segura a lo largo del tiempo.

Una vez en su lugar, los modelos predictivos se pueden utilizar para estandarizar procesos, permitir que todas las partes interesadas accedan a los mismos conocimientos y herramientas, y reducir los costos tanto en términos del número de experimentos que deben realizarse como de optimizar los experimentos para minimizar la necesidad de componentes o procesos costosos.

Esto da como resultado un impacto ambiental reducido al diseñar experimentos y productos que son menos dependientes de elementos o procesos tóxicos.

¿Cómo es el futuro de la industria de las baterías?

Con los costos reducidos de los dispositivos de almacenamiento de datos y el avance de las tecnologías computacionales, El aprendizaje automático basado en datos parece ser el enfoque más prometedor para el modelado avanzado de baterías en el futuro.

Este enfoque se ha utilizado para resolver muchos problemas de gran valor y las variables clave para su implementación exitosa son tanto la disponibilidad de datos como la calidad de los mismos. Sin embargo, Ha habido un aumento reciente en la aplicación de métodos de aprendizaje automático para ayudar a optimizar diferentes aspectos de la industria de las baterías.

En ambos casos, el uso de datos de varios dominios, incluyendo datos de experimentos que han fallado, juegan un papel crucial en la aceleración y optimización del diseño de la batería, química y sistemas de gestión.

Dr. Gareth Conduit (Investigador de la Royal Society University en la Universidad de Cambridge y CTO en Intellegens) comentó

"Nuestra tecnología de aprendizaje automático, Alquimita puede ver las correlaciones entre todos los parámetros disponibles, tanto entradas como salidas, en conjuntos de datos escasos y ruidosos. El resultado son modelos precisos que pueden predecir los valores perdidos, encontrar errores y optimizar las propiedades de destino. Capaz de trabajar con datos que están completos al 0.05%, Alchemite puede desentrañar problemas de datos que no son accesibles a los enfoques tradicionales de aprendizaje automático ".

Alchemite ofrece soluciones innovadoras en el descubrimiento de fármacos, materiales avanzados, análisis de pacientes, mantenimiento predictivo y baterías, lo que permite a las organizaciones superar los cuellos de botella del análisis de datos, reducir la cantidad de tiempo y dinero invertidos en investigación, y soporte mejor, toma de decisiones más rápida.

Los conocimientos de este artículo de revisión podrían tener un efecto transformador en la industria de las baterías. Highlighting how machine learning can accurately predict and improve the health and life of a battery will enable manufacturers to embed this software straight into their battery devices and improve their in-life service for the consumer.