Un modelo de IA predice la vida útil de las baterías de litio con la máxima predicción

Las baterías resultan imprescindibles en la vida moderna. Muchos dispositivos que utilizamos en nuestro día a día funcionan gracias a ellas. Los teléfonos móviles inteligentes, las tabletas, los auriculares Bluetooth, los mandos de las videoconsolas, los smartwatches y hasta los coches eléctricos. Y conforme más vaya descarbonizándose el mundo, más baterías utilizaremos para almacenar energía y utilizarla cuando la necesitemos.

Las de litio son las baterías más utilizadas. Aunque se están estudiando otros tipos, como las de estado sólido o las de sodio, las baterías de iones de litio son el estándar porque ofrecen una alta densidad energética, larga vida útil, carga rápida y baja autodescarga. Al ofrecer más energía en menos peso y volumen, son ideales para alimentar dispositivos electrónicos ligeros y vehículos eléctricos.

Determinar la duración de la vida útil de una batería de litio es relativamente complicado. Suelen durar entre 8 y 15 años (entre 3.000 a 6.000 ciclos de carga/descarga), pero esa es una horquilla demasiado grande. Por este motivo, un grupo de investigadores ha desarrollado un modelo híbrido de inteligencia artificial que mejora significativamente la precisión en la predicción de la vida útil de las baterías de iones de litio.

Los modelos físicos presentan dificultades para reproducir las complejas condiciones del mundo real

El sistema combina redes neuronales convolucionales, unidades recurrentes con compuerta y filtrado de partículas para ofrecer estimaciones más fiables de la vida útil restante. Es sabido por todos que las baterías de iones de litio se degradan con el uso (la batería de un smartphone no dura lo mismo cuando se compró que tres años después), ya que con cada ciclo de carga y descarga, almacena un poco menos de energía.

Para la industria, predecir con exactitud cuándo fallará una batería sigue siendo un desafío crucial para los vehículos eléctricos, la electrónica de ocnsumo y los sistemas de almacenamiento de energía en la red eléctrica. Con el nuevo modelo, están más cerca de conseguirlo.

Este modelo se centra en predecir la vida útil restante, que se refiere a la cantidad de ciclos que una batería puede completar antes de que su capacidad caiga por debajo de un umbral utilizable. La predicción ayuda a prevenir fallos inesperados, reducir los costes de mantenimiento y mejorar la seguridad en los sistemas alimentados por baterías.

Los métodos tradicionales se basan en modelos físicos en enfoques basados en datos. Los modelos físicos simulan la química interna de la batería, pero presentan dificultades para reproducir las complejas condiciones del mundo real. Los modelos basados en datos, como las redes neuronales convolucionales y las unidades recurrentes con compuerta, funcionan bien con grandes conjuntos de datos, pero a menudo pierden precisión en predicciones a largo plazo o cuando los datos son ruidosos.

Para solucionar estos inconvenientes, los investigadores desarrollaron un sistema híbrido que combina el aprendizaje profundo con el filtrado probabilístico. El innovador enfoque integra redes neuronales convolucionales para la extracción de características, unidades recurrentes con compuertas para la predicción de series temporales y fultros de partículas para corregir errores de predicción y estabilizar los resultados a largo plazo.

El modelo parece funcionar tanto para proyectos de almacenamiento a escala de red como con conjuntos de datos más pequeños. Los investigadores sugieren que los trabajos futuros podrían incluir pruebas a temperaturas extremas, la integración de indicadores de salud adicionales como el voltaje y la temperatura, y la ampliación del sistema a paquetes de baterías multicelda.