Imagineu-vos un vident que us diu als vostres pares, el dia que vau néixer, quant de temps viureu. Una experiència similar és possible per als químics de bateries que utilitzen nous models computacionals per calcular la vida útil de les bateries basant-se en tan sols un cicle de dades experimentals.

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

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

En un algoritme d'aprenentatge automàtic, els científics entrenen un programa informàtic per fer inferències sobre un conjunt inicial de dades i, a continuació, aprofiten el que ha après d'aquest entrenament per prendre decisions sobre un altre conjunt de dades.

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

«Ara mateix, l'única manera d'avaluar com disminueix la capacitat d'una bateria és fer un cicle de funcionament de 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 la durada de la bateria pot ser complicat. "La realitat és que les bateries no duren per sempre, i la seva durada depèn de la manera com les utilitzem, així com del seu disseny i la seva composició química", va dir. "Fins ara, no hi havia hagut una bona manera de saber quant de temps durarà una bateria. La gent voldrà saber quant de temps els queda fins que hagin de gastar diners en una bateria nova".

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

Un estudi més aprofundit en aquesta àrea té el potencial de guiar el futur de les bateries de ions de liti, va dir Paulson. "Una de les coses que podem fer és entrenar l'algoritme amb una química coneguda i fer que faci prediccions sobre una química desconeguda", va dir. "Essencialment, l'algoritme ens pot ajudar a orientar-nos en la direcció de noves i millorades químiques que ofereixin vides útils més llargues".

D'aquesta manera, Paulson creu que l'algoritme d'aprenentatge automàtic podria accelerar el desenvolupament i les proves de materials per a bateries. "Diguem que teniu un material nou i el cicleu unes quantes vegades. Podríeu utilitzar el nostre algoritme per predir la seva longevitat i després prendre decisions sobre si voleu continuar ciclant-lo experimentalment o no".

«Si ets investigador en un laboratori, pots descobrir i provar molts més materials en menys temps perquè tens 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 ha permès la predicció anticipada de la durada 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 de l'article inclouen Joseph Kubal, Logan Ward, Saurabh Saxena i Wenquan Lu d'Argonne.

L'estudi va ser finançat per una beca de Recerca i Desenvolupament Dirigit pel Laboratori Argonne (LDRD).