Imaxina un psíquico dicindo aos teus pais, o día que naciste, canto vivirías.Unha experiencia similar é posible para os químicos de baterías que están utilizando novos modelos computacionais para calcular a vida útil das baterías baseándose nun só ciclo de datos experimentais.

Nun novo estudo, investigadores do Argonne National Laboratory do Departamento de Enerxía dos Estados Unidos (DOE) recorreron ao poder da aprendizaxe automática para predecir a vida útil dunha ampla gama de diferentes químicas de baterías.Mediante o uso de datos experimentais reunidos en Argonne a partir dun conxunto de 300 baterías que representan seis químicas de baterías diferentes, os científicos poden determinar con precisión o tempo que seguirán en ciclo as diferentes baterías.

Os investigadores de Argonne utilizaron modelos de aprendizaxe automática para facer predicións do ciclo de vida da batería para unha ampla gama de diferentes químicas.(Imaxe de Shutterstock/Sealstep.)

Nun algoritmo de aprendizaxe automática, os científicos adestran un programa informático para facer inferencias sobre un conxunto inicial de datos e, a continuación, toman o que aprendeu dese adestramento para tomar decisións sobre outro conxunto de datos.

"Para cada tipo de aplicación de batería, desde teléfonos móbiles ata vehículos eléctricos ata o almacenamento na rede, a duración da batería é de importancia fundamental para todos os consumidores", dixo o científico computacional de Argonne Noah Paulson, autor do estudo."Ter que circular unha batería miles de veces ata que falla pode levar anos;o noso método crea unha especie de cociña de proba computacional onde podemos establecer rapidamente como van funcionar as diferentes baterías.

"Neste momento, a única forma de avaliar como se esvae a capacidade dunha batería é facer un ciclo da batería", engadiu a electroquímica de Argonne Susan "Sue" Babinec, outra autora do estudo."É moi caro e leva moito tempo".

Segundo Paulson, o proceso de establecer unha duración da batería pode ser complicado."A realidade é que as baterías non duran para sempre, e canto duran depende da forma en que as usemos, así como do seu deseño e da súa química", dixo."Ata agora, realmente non houbo unha boa forma de saber canto vai durar unha batería.A xente vai querer saber canto tempo lles queda ata que teñan que gastar diñeiro nunha batería nova".

Un aspecto único do estudo é que se baseou nun amplo traballo experimental realizado en Argonne sobre unha variedade de materiais de cátodo de batería, especialmente o cátodo patentado a base de níquel-manganeso-cobalto (NMC) de Argonne."Tiñamos baterías que representaban diferentes químicas, que teñen diferentes formas en que se degradarían e fallarían", dixo Paulson."O valor deste estudo é que nos deu sinais que son característicos de como funcionan as diferentes baterías".

Segundo Paulson, máis estudos nesta área teñen o potencial de guiar o futuro das baterías de ión-litio."Unha das cousas que podemos facer é adestrar o algoritmo nunha química coñecida e que faga predicións sobre unha química descoñecida", dixo."Esencialmente, o algoritmo pode axudarnos a indicarnos na dirección de químicas novas e melloradas que ofrecen unha vida útil máis longa".

Deste xeito, Paulson cre que o algoritmo de aprendizaxe automática podería acelerar o desenvolvemento e proba de materiais de batería."Digamos que tes un material novo e que o recorres varias veces.Podería usar o noso algoritmo para predecir a súa lonxevidade e, a continuación, tomar decisións sobre se quere continuar ciclándoo experimentalmente ou non".

"Se es investigador nun laboratorio, pode descubrir e probar moitos máis materiais en menor tempo porque tes un xeito máis rápido de avalialos", engadiu Babinec.

Un artigo baseado no estudo, "A enxeñaría de funcións para a aprendizaxe automática permitiu a predición anticipada da duración da batería”, apareceu na edición en liña do 25 de febreiro do Journal of Power Sources.

Ademais de Paulson e Babinec, outros autores do artigo inclúen a Joseph Kubal de Argonne, Logan Ward, Saurabh Saxena e Wenquan Lu.

O estudo foi financiado por unha subvención de Investigación e Desenvolvemento dirixida polo laboratorio de Argonne (LDRD).