Si los fabricantes de baterías de teléfonos celulares pudieran determinar qué células durarán al menos dos años, entonces podrían venderlas solo a los fabricantes de teléfonos y enviar el resto a los fabricantes de dispositivos menos exigentes. Una nueva investigación muestra cómo los fabricantes podrían hacer esto.La técnica podría usarse no solo para clasificar las celdas fabricadas sino también para ayudar a que los nuevos diseños de baterías lleguen al mercado más rápidamente
La combinación de datos experimentales completos e inteligencia artificial reveló la clave para predecir con precisión la vida útil de las baterías de iones de litio antes de que sus capacidades comiencen a disminuir, descubrieron los científicos de la Universidad de Stanford, el Instituto de Tecnología de Massachusetts y el Instituto de Investigación Toyota. Después de que los investigadoresentrenó su modelo de aprendizaje automático con unos pocos cientos de millones de puntos de datos de baterías cargando y descargando, el algoritmo predijo cuántos ciclos más duraría cada batería, en función de las caídas de voltaje y algunos otros factores entre los primeros ciclos.
Las predicciones estaban dentro del 9 por ciento del número de ciclos que las células realmente duraron. Por separado, el algoritmo clasificó las baterías como una esperanza de vida larga o corta basada en los primeros cinco ciclos de carga / descarga. Aquí, las predicciones eran correctas 95 por cientodel tiempo.
Publicado el 25 de marzo en Energía natural , este método de aprendizaje automático podría acelerar la investigación y el desarrollo de nuevos diseños de baterías y reducir el tiempo y el costo de producción, entre otras aplicaciones. Los investigadores han puesto a disposición del público el conjunto de datos, el más grande de su tipo.
"La forma estándar de probar nuevos diseños de baterías es cargar y descargar las celdas hasta que fallen. Dado que las baterías tienen una larga vida útil, este proceso puede llevar muchos meses e incluso años", dijo el coautor Peter Attia, doctor de Stanfordcandidato en ciencia e ingeniería de materiales: "Es un cuello de botella costoso en la investigación de baterías".
El trabajo se llevó a cabo en el Centro de Diseño de Baterías de Datos, una colaboración académico-industrial que integra teoría, experimentos y ciencia de datos. Los investigadores de Stanford, dirigidos por William Chueh, profesor asistente de ciencia e ingeniería de materiales, llevaron a cabolos experimentos con baterías. El equipo del MIT, dirigido por Richard Braatz, profesor de ingeniería química, realizó el trabajo de aprendizaje automático. Kristen Severson, coautora principal de la investigación, completó su doctorado en ingeniería química en el MIT la primavera pasada.
Optimizando la carga rápida
Un enfoque en el proyecto fue encontrar una mejor manera de cargar las baterías en 10 minutos, una característica que podría acelerar la adopción masiva de vehículos eléctricos. Para generar el conjunto de datos de entrenamiento, el equipo cargó y descargó las baterías hasta que cada una llegó alfinal de su vida útil, que definieron como pérdida de capacidad del 20 por ciento. En el camino hacia la optimización de la carga rápida, los investigadores querían averiguar si era necesario poner sus baterías en el suelo. ¿Se puede encontrar la respuesta a una pregunta sobre baterías?en la información de solo los primeros ciclos?
"Los avances en el poder computacional y la generación de datos han permitido recientemente que el aprendizaje automático acelere el progreso para una variedad de tareas. Estas incluyen la predicción de las propiedades de los materiales", dijo Braatz. "Nuestros resultados aquí muestran cómo podemos predecir el comportamiento de sistemas complejos hasta ahoraen el futuro."
En general, la capacidad de una batería de iones de litio es estable por un tiempo. Luego toma un giro brusco hacia abajo. El punto de caída varía ampliamente, como la mayoría de los consumidores del siglo XXI saben. En este proyecto, las baterías duraron entre 150a 2,300 ciclos. Esa variación fue en parte el resultado de probar diferentes métodos de carga rápida, pero también debido a la variabilidad de fabricación entre las baterías.
"Para todo el tiempo y el dinero que se gasta en el desarrollo de la batería, el progreso aún se mide en décadas", dijo el coautor del estudio Patrick Herring, científico del Instituto de Investigación Toyota. "En este trabajo, estamos reduciendo unode los pasos que requieren más tiempo - prueba de batería - en un orden de magnitud "
Posibles usos
El nuevo método tiene muchas aplicaciones potenciales, dijo Attia. Por ejemplo, puede acortar el tiempo para validar nuevos tipos de baterías, lo cual es especialmente importante dados los rápidos avances en los materiales. Con la técnica de clasificación, se determina que las baterías de los vehículos eléctricos tienen poca carga.la vida útil, demasiado corta para los automóviles, podría usarse en lugar de encender las luces de la calle o respaldar los centros de datos. Los recicladores podrían encontrar celdas de paquetes de baterías EV usadas con suficiente capacidad para una segunda vida.
Otra posibilidad es optimizar la fabricación de baterías. "El último paso en la fabricación de baterías se llama 'formación', que puede llevar días o semanas", dijo Attia. "Usar nuestro enfoque podría acortar eso significativamente y reducir el costo de producción".
Los investigadores ahora están usando su modelo para optimizar las formas de cargar baterías en solo 10 minutos, lo que dicen que reducirá el proceso en más de un factor de 10.
Fuente de la historia :
Materiales proporcionado por Universidad de Stanford . Original escrito por Mark Golden. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :