Imagina a un psíquico diciéndoles a tus padres, el día que naciste, cuánto tiempo vivirías.Una experiencia similar es posible para los químicos de baterías que utilizan nuevos modelos computacionales para calcular la vida útil de las baterías basándose en tan solo un ciclo de datos experimentales.

En un nuevo estudio, investigadores del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE) han recurrido al poder del aprendizaje automático para predecir la vida útil de una amplia gama de diferentes químicas de baterías.Utilizando datos experimentales recopilados en Argonne de un conjunto de 300 baterías que representan seis químicas diferentes, los científicos pueden determinar con precisión cuánto tiempo continuarán funcionando las diferentes baterías.

Los investigadores de Argonne han utilizado modelos de aprendizaje automático para hacer predicciones sobre el ciclo de vida de la batería para una amplia gama de químicas diferentes.(Imagen de Shutterstock/Sealstep).

En un algoritmo de aprendizaje automático, los científicos entrenan un programa de computadora para que haga inferencias sobre un conjunto inicial de datos y luego toman lo que ha aprendido de ese entrenamiento para tomar decisiones sobre otro conjunto de datos.

"Para cada tipo diferente de aplicación de batería, desde teléfonos móviles hasta vehículos eléctricos y almacenamiento en red, la vida útil de la batería es de fundamental importancia para cada consumidor", dijo el científico computacional de Argonne, Noah Paulson, autor del estudio.​“Tener que realizar ciclos de batería miles de veces hasta que falle puede llevar años;Nuestro método crea una especie de cocina de prueba computacional donde podemos establecer rápidamente cómo funcionarán las diferentes baterías”.

"En este momento, la única forma de evaluar cómo se desvanece la capacidad de una batería es hacer un ciclo de la batería", agregó la electroquímica de Argonne Susan "Sue" Babinec, otra autora del estudio."Es muy caro y lleva mucho tiempo".

Según Paulson, el proceso de establecer la vida útil de la batería puede resultar complicado."La realidad es que las baterías no duran para siempre, y su duración depende de la forma en que las usamos, así como de su diseño y su química", dijo.​“Hasta ahora, no había realmente una buena manera de saber cuánto durará una batería.La gente querrá saber cuánto tiempo les queda hasta que tengan que gastar dinero en una batería nueva”.

Un aspecto único del estudio es que se basó en un extenso trabajo experimental realizado en Argonne con una variedad de materiales de cátodos de baterías, especialmente el cátodo patentado a base de níquel-manganeso-cobalto (NMC) de Argonne."Teníamos baterías que representaban diferentes químicas, que tenían diferentes formas en que se degradaban y fallaban", dijo Paulson."El valor de este estudio es que nos proporcionó señales características del rendimiento de las diferentes baterías".

Más estudios en esta área tienen el potencial de guiar el futuro de las baterías de iones de litio, dijo Paulson."Una de las cosas que podemos hacer es entrenar el algoritmo con una química conocida y hacer que haga predicciones sobre una química desconocida", dijo."Básicamente, el algoritmo puede ayudarnos a orientarnos hacia productos químicos nuevos y mejorados que ofrezcan vidas más largas".

De esta forma, Paulson cree que el algoritmo de aprendizaje automático podría acelerar el desarrollo y prueba de materiales para baterías.​“Digamos que tienes un material nuevo y lo ciclas varias veces.Podría utilizar nuestro algoritmo para predecir su longevidad y luego tomar decisiones sobre si desea continuar ciclándolo experimentalmente o no”.

"Si eres investigador en un laboratorio, puedes descubrir y probar muchos más materiales en menos tiempo porque tienes una forma más rápida de evaluarlos", añadió Babinec.

Un artículo basado en el estudio "La ingeniería de funciones para el aprendizaje automático permitió la predicción temprana de la vida útil de la batería”, apareció en la edición en línea del 25 de febrero del Journal of Power Sources.

Además de Paulson y Babinec, otros autores del artículo incluyen a Joseph Kubal, Logan Ward, Saurabh Saxena y Wenquan Lu de Argonne.

El estudio fue financiado por una subvención de Investigación y Desarrollo Dirigido por el Laboratorio Argonne (LDRD).