Imagineu-vos un psíquic dient als vostres pares, el dia que vau néixer, quant de temps viuríeu.Una experiència similar és possible per als químics de bateries que utilitzen nous models computacionals per calcular la vida útil de la bateria a partir d'un sol cicle de dades experimentals.

En un nou estudi, els investigadors del Laboratori Nacional Argonne del Departament d'Energia dels EUA (DOE) han recorregut al poder de l'aprenentatge automàtic per predir la vida útil d'una àmplia gamma de diferents químiques de bateries.Mitjançant l'ús de dades experimentals recollides a Argonne a partir d'un conjunt de 300 bateries que representen sis químiques de bateries diferents, els científics poden determinar amb precisió quant de temps continuaran ciclant diferents bateries.

Els investigadors d'Argonne han utilitzat models d'aprenentatge automàtic per fer prediccions de la vida del cicle de la bateria per a una àmplia gamma de químiques diferents.(Imatge de Shutterstock/Sealstep.)

En un algorisme d'aprenentatge automàtic, els científics entrenen un programa informàtic per fer inferències sobre un conjunt inicial de dades i després prenen el que ha après d'aquesta formació per prendre decisions sobre un altre conjunt de dades.

"Per a cada tipus d'aplicació de bateries, des de telèfons mòbils fins a vehicles elèctrics fins a l'emmagatzematge de la xarxa, la durada de la bateria és d'una importància fonamental per a tots els consumidors", va dir el científic informàtic d'Argonne Noah Paulson, autor de l'estudi."Haver de fer circular una bateria milers de vegades fins que falla pot trigar anys;el nostre mètode crea una mena de cuina de prova computacional on podem establir ràpidament com funcionaran les diferents bateries".

"Ara mateix, l'única manera d'avaluar com s'esvaeix la capacitat d'una bateria és ciclar la bateria", va afegir l'electroquímica d'Argonne Susan "Sue" Babinec, una altra autora de l'estudi."És molt car i triga molt de temps".

Segons Paulson, el procés d'establir una vida útil de la bateria pot ser complicat."La realitat és que les bateries no duren per sempre, i el temps que duren depèn de la manera com les utilitzem, així com del seu disseny i la seva química", va dir."Fins ara, realment no hi ha hagut una bona manera de saber quant de temps durarà una bateria.La gent voldrà saber quant de temps té fins que hagi de gastar diners en una bateria nova".

Un aspecte únic de l'estudi és que es basava en un extens treball experimental realitzat a Argonne en una varietat de materials de càtode de bateria, especialment el càtode patentat basat en níquel-manganès-cobalt (NMC) d'Argonne."Teníem bateries que representaven diferents químiques, que tenen maneres diferents de degradar-se i fallar", va dir Paulson."El valor d'aquest estudi és que ens va donar senyals característics de com funcionen les diferents bateries".

Un estudi addicional en aquesta àrea té el potencial de guiar el futur de les bateries d'ions de liti, va dir Paulson."Una de les coses que podem fer és entrenar l'algorisme en una química coneguda i fer prediccions sobre una química desconeguda", va dir."Essencialment, l'algoritme pot ajudar-nos a indicar-nos en la direcció de químiques noves i millorades que ofereixen una vida útil més llarga".

D'aquesta manera, Paulson creu que l'algoritme d'aprenentatge automàtic podria accelerar el desenvolupament i la prova de materials de bateries."Diguem que tens un material nou i que el recorres unes quantes vegades.Podríeu utilitzar el nostre algorisme per predir la seva longevitat i després prendre decisions sobre si voleu continuar amb el cicle experimentalment o no".

"Si sou investigador en un laboratori, podeu descobrir i provar molts més materials en menys temps perquè teniu una manera més ràpida d'avaluar-los", va afegir Babinec.

Un article basat en l'estudi, "L'enginyeria de funcions per a l'aprenentatge automàtic va permetre la predicció primerenca de la vida útil de la bateria”, va aparèixer a l'edició en línia del 25 de febrer del Journal of Power Sources.

A més de Paulson i Babinec, altres autors del document inclouen Joseph Kubal d'Argonne, Logan Ward, Saurabh Saxena i Wenquan Lu.

L'estudi va ser finançat per una subvenció de recerca i desenvolupament dirigida pel laboratori d'Argonne (LDRD).