Si los fabricantes de baterías de teléfonos móviles pudieran saber qué células durarán al menos dos años, luego, solo podrían venderlos a los fabricantes de teléfonos y enviar el resto a los fabricantes de dispositivos menos exigentes. Una nueva investigación muestra cómo los fabricantes podrían hacer esto. La técnica podría usarse no solo para clasificar las celdas fabricadas, sino también para ayudar a que los nuevos diseños de baterías lleguen al mercado más rápidamente.

La combinación de datos experimentales integrales e inteligencia artificial reveló la clave para predecir con precisión la vida útil de las baterías de iones de litio antes de que sus capacidades comiencen a disminuir. científicos de la Universidad de Stanford, descubrió el Instituto de Tecnología de Massachusetts y el Instituto de Investigación de Toyota. Después de que los investigadores entrenaron su modelo de aprendizaje automático con algunos cientos de millones de puntos de datos de baterías que se cargan y descargan, el algoritmo predijo cuántos ciclos más duraría cada batería, basado en caídas de voltaje y algunos otros factores entre los primeros ciclos.

Las predicciones estaban dentro del 9 por ciento de la cantidad de ciclos que las células realmente duraron. Por separado, el algoritmo clasificó las baterías como una esperanza de vida larga o corta basándose solo en los primeros cinco ciclos de carga / descarga. Aquí, las predicciones fueron correctas el 95 por ciento de las veces.

Publicado el 25 de marzo en Energía de la naturaleza , Este método de aprendizaje automático podría acelerar la investigación y el desarrollo de nuevos diseños de baterías y reducir el tiempo y el costo de producción. entre otras aplicaciones. Los investigadores han puesto a disposición del público el conjunto de datos, el más grande de su tipo.

"La forma estándar de probar nuevos diseños de baterías es cargar y descargar las celdas hasta que fallen. Dado que las baterías tienen una vida útil prolongada, este proceso puede llevar muchos meses e incluso años, "dijo el coautor principal Peter Attia, Candidato al doctorado de Stanford en ciencia e ingeniería de materiales. "Es un cuello de botella caro en la investigación de baterías".

El trabajo se llevó a cabo en el Centro de Diseño de Baterías Basado en Datos, una colaboración académico-industrial que integra teoría, experimentos y ciencia de datos. Los investigadores de Stanford, dirigido por William Chueh, profesor asistente en ciencia e ingeniería de materiales, llevó a cabo los experimentos de batería. El equipo del MIT, dirigido por Richard Braatz, profesor de ingeniería química, realizó el trabajo de aprendizaje automático. Kristen Severson, coautor principal de la investigación, completó su doctorado en ingeniería química en el MIT la primavera pasada.

Optimización de la carga rápida

Uno de los objetivos del proyecto era encontrar una forma mejor de cargar las baterías en 10 minutos, una característica que podría acelerar la adopción masiva de vehículos eléctricos. Para generar el conjunto de datos de entrenamiento, el equipo cargó y descargó las baterías hasta que cada una llegó al final de su vida útil, que definieron como una pérdida de capacidad del 20 por ciento. En camino a optimizar la carga rápida, los investigadores querían saber si era necesario colocar sus baterías en el suelo. ¿Se puede encontrar la respuesta a una pregunta sobre la batería en la información de los primeros ciclos?

"Los avances en el poder computacional y la generación de datos han permitido recientemente que el aprendizaje automático acelere el progreso de una variedad de tareas. Estas incluyen la predicción de propiedades de materiales, ", Dijo Braatz." Nuestros resultados aquí muestran cómo podemos predecir el comportamiento de sistemas complejos en el futuro ".

Generalmente, la capacidad de una batería de iones de litio es estable durante un tiempo. Luego da un giro brusco hacia abajo. El punto de caída varía ampliamente, como saben la mayoría de los consumidores del siglo XXI. En este proyecto, las baterías duraron entre 150 y 2, 300 ciclos. Esa variación fue en parte el resultado de probar diferentes métodos de carga rápida, pero también se debió a la variabilidad de fabricación entre las baterías.

"Por todo el tiempo y el dinero que se invierte en el desarrollo de la batería, el progreso todavía se mide en décadas, "dijo el coautor del estudio Patrick Herring, científico del Instituto de Investigación de Toyota. "En este trabajo, estamos reduciendo uno de los pasos que requieren más tiempo, la prueba de la batería, en un orden de magnitud ".

Posibles usos

El nuevo método tiene muchas aplicaciones potenciales, Dijo Attia. Por ejemplo, puede acortar el tiempo de validación de nuevos tipos de baterías, lo cual es especialmente importante dados los rápidos avances en materiales. Con la técnica de clasificación, Las baterías de vehículos eléctricos que se determina que tienen una vida útil corta, demasiado corta para los automóviles, podrían usarse en su lugar para alimentar las luces de la calle o respaldar los centros de datos. Los recicladores podrían encontrar celdas de paquetes de baterías de vehículos eléctricos usados ​​con suficiente capacidad para una segunda vida.

Otra posibilidad más es optimizar la fabricación de baterías. "El último paso en la fabricación de baterías se llama 'formación, 'que puede llevar de días a semanas, ", Dijo Attia." El uso de nuestro enfoque podría acortar eso significativamente y reducir el costo de producción ".

Los investigadores ahora están usando su modelo para optimizar las formas de cargar las baterías en solo 10 minutos, lo que dicen reducirá el proceso en más de un factor de 10.