Imagina que una vidente les dijera a tus padres, el día de tu nacimiento, 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 Estados Unidos (DOE) han recurrido al aprendizaje automático para predecir la vida útil de una amplia gama de baterías con diferentes composiciones químicas. Mediante datos experimentales recopilados en Argonne a partir de un conjunto de 300 baterías que representan seis composiciones químicas distintas, los científicos pueden determinar con precisión cuánto tiempo seguirán funcionando las diferentes baterías.

Investigadores de Argonne han utilizado modelos de aprendizaje automático para predecir la vida útil de las baterías con una amplia gama de composiciones químicas diferentes. (Imagen de Shutterstock/Sealstep).

En un algoritmo de aprendizaje automático, los científicos entrenan un programa informático para que haga inferencias sobre un conjunto inicial de datos y, a continuación, utilizan lo aprendido durante ese entrenamiento para tomar decisiones sobre otro conjunto de datos.

“Para cualquier tipo de aplicación de baterías, desde teléfonos móviles hasta vehículos eléctricos y almacenamiento en la red eléctrica, la vida útil de la batería es fundamental para todos los consumidores”, afirmó Noah Paulson, científico computacional de Argonne y autor del estudio. “Tener que someter una batería a miles de ciclos de carga y descarga hasta que falle puede llevar años; nuestro método crea una especie de laboratorio de pruebas computacional donde podemos determinar rápidamente el rendimiento de diferentes baterías”.

“Actualmente, la única forma de evaluar cómo disminuye la capacidad de una batería es someterla a ciclos de carga y descarga”, agregó la electroquímica de Argonne, Susan “Sue” Babinec, otra de las autoras del estudio. “Es muy costoso y lleva mucho tiempo”.

Según Paulson, determinar la vida útil de una batería puede ser complicado. «La realidad es que las baterías no duran para siempre, y su duración depende de cómo las usemos, así como de su diseño y su composición química», afirmó. «Hasta ahora, no existía una forma precisa de saber cuánto durará una batería. La gente querrá saber cuánto tiempo les queda antes de tener que comprar una nueva».

Un aspecto singular del estudio es que se basó en un extenso trabajo experimental realizado en Argonne con diversos materiales para cátodos de baterías, especialmente el cátodo patentado de Argonne a base de níquel-manganeso-cobalto (NMC). «Teníamos baterías con diferentes composiciones químicas, que se degradaban y fallaban de distintas maneras», explicó Paulson. «El valor de este estudio reside en que nos proporcionó información característica sobre el rendimiento de las distintas baterías».

Según Paulson, una mayor investigación en este campo podría marcar el futuro de las baterías de iones de litio. «Una de las cosas que podemos hacer es entrenar el algoritmo con una composición química conocida y que este realice predicciones sobre una composición desconocida», explicó. «En esencia, el algoritmo podría orientarnos hacia composiciones químicas nuevas y mejoradas que ofrezcan una mayor vida útil».

De esta forma, Paulson cree que el algoritmo de aprendizaje automático podría acelerar el desarrollo y las pruebas de materiales para baterías. «Supongamos que tienes un material nuevo y lo sometes a varios ciclos de carga y descarga. Podrías usar nuestro algoritmo para predecir su durabilidad y, a partir de ahí, decidir si quieres seguir probándolo 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 características 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 de la revista Journal of Power Sources.

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

El estudio fue financiado por una subvención del programa de Investigación y Desarrollo Dirigido por el Laboratorio Argonne (LDRD, por sus siglas en inglés).