Imaxina unha vidente lles dicíndolles aos teus pais, o día que naciches, canto tempo vivirías. Unha experiencia similar é posible para os químicos de baterías que empregan novos modelos computacionais para calcular a vida útil das baterías baseándose nun só ciclo de datos experimentais.

Nun novo estudo, investigadores do Laboratorio Nacional Argonne, do Departamento de Enerxía dos Estados Unidos (DOE), recorreron ao poder da aprendizaxe automática para predicir a vida útil dunha ampla gama de composicións químicas de baterías diferentes. Ao usar datos experimentais recompilados en Argonne dun conxunto de 300 baterías que representan seis composicións químicas de baterías diferentes, os científicos poden determinar con precisión canto tempo seguirán ciclando as diferentes baterías.

Investigadores de Argonne empregaron modelos de aprendizaxe automática para facer predicións da vida útil do ciclo de vida da batería para unha ampla gama de composicións químicas diferentes. (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, aproveitan o aprendido dese adestramento para tomar decisións sobre outro conxunto de datos.

«Para cada tipo de aplicación de batería, desde teléfonos móbiles ata vehículos eléctricos e almacenamento en rede, a duración da batería é de fundamental importancia para todos os consumidores», dixo o científico computacional Noah Paulson de Argonne, autor do estudo. «Ter que encender unha batería miles de veces ata que falle pode levar anos; o noso método crea unha especie de cociña de probas computacional onde podemos establecer rapidamente como funcionarán as diferentes baterías».

«Neste momento, a única maneira de avaliar como se reduce a capacidade dunha batería é ciclar a 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 determinar a duración da batería pode ser complicado. «A realidade é que as baterías non duran para sempre, e a súa duración depende da forma en que as usemos, así como do seu deseño e da súa composición química», dixo. «Ata agora, non houbo unha boa maneira de saber canto tempo vai durar unha batería. A xente vai querer saber canto tempo lles queda ata que teñan que gastar cartos nunha batería nova».

Un aspecto único do estudo é que se baseou nun amplo traballo experimental realizado en Argonne nunha variedade de materiais para cátodos de baterías, especialmente o cátodo patentado de Argonne baseado en níquel-manganeso-cobalto (NMC). «Tiñamos baterías que representaban diferentes composicións químicas, que tiñan diferentes xeitos de degradarse e fallar», dixo Paulson. «O valor deste estudo é que nos proporcionou sinais característicos do rendemento das diferentes baterías».

Paulson afirmou que un estudo máis profundo nesta área ten o potencial de guiar o futuro das baterías de ións de litio. «Unha das cousas que podemos facer é adestrar o algoritmo cunha composición química coñecida e facer que faga predicións sobre unha composición química descoñecida», dixo. «Esencialmente, o algoritmo pode axudarnos a orientarnos cara a novas e melloradas composicións químicas que ofrezan vidas útiles máis longas».

Deste xeito, Paulson cre que o algoritmo de aprendizaxe automática podería acelerar o desenvolvemento e as probas de materiais para baterías. «Imaxina que tes un material novo e o ciclas unhas cantas veces. Poderías usar o noso algoritmo para predicir a súa lonxevidade e, a continuación, tomar decisións sobre se queres continuar ciclándoo experimentalmente ou non».

«Se es investigador nun laboratorio, podes descubrir e probar moitos máis materiais nun tempo máis curto porque tes unha forma máis rápida de avalialos», engadiu Babinec.

Un artigo baseado no estudo,A enxeñaría de características para a aprendizaxe automática permitiu a predición temperá da duración da batería«», apareceu na edición en liña do 25 de febreiro da revista *Journal of Power Sources*.

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

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