Previsão Precisa de Vida Útil de Baterias com IA – Estudo do DOE Argonne

Em um novo estudo, pesquisadores do Laboratório Nacional Argonne do Departamento de Energia dos EUA (DOE) recorreram ao aprendizado de máquina para prever a vida útil de uma ampla gama de diferentes químicas de baterias. Usando dados experimentais coletados em Argonne de um conjunto de 300 baterias representando seis diferentes químicas de baterias, os cientistas podem determinar com precisão por quanto tempo diferentes baterias continuarão a ciclar.

Em um algoritmo de aprendizado de máquina, cientistas treinam um programa de computador para fazer inferências em um conjunto inicial de dados conhecidos que lhe é alimentado, e então pegam o que aprenderam com esse treinamento para tomar decisões em um novo conjunto de dados desconhecidos.

"Para cada tipo diferente de aplicação de bateria, de celulares a veículos elétricos a armazenamento em rede, a vida útil da bateria é de importância fundamental," disse o cientista computacional de Argonne Noah Paulson, autor do estudo. "Ter que ciclar uma bateria milhares de vezes até que falhe pode levar anos; nosso método cria uma espécie de cozinha de teste computacional onde podemos estabelecer rapidamente como diferentes baterias vão performar."

"Agora, a única maneira de avaliar como a capacidade em uma bateria se degrada é realmente ciclar a bateria," acrescentou a eletroquímica de Argonne Susan "Sue" Babinec, outra autora do estudo. "É muito caro e leva muito tempo."

Segundo Paulson, o processo de estabelecer uma vida útil de bateria pode ser complicado. "A realidade é que baterias não duram para sempre, e quanto tempo duram depende da maneira que as usamos, bem como de seu design e sua química," ele disse. "Até agora, realmente não houve uma ótima maneira de saber quanto tempo uma bateria vai durar. As pessoas vão querer saber quanto tempo têm até terem que gastar dinheiro em uma nova bateria."

Um aspecto único do estudo é que ele se baseou em extenso trabalho experimental feito em Argonne em uma variedade de materiais de cátodo de bateria, especialmente o cátodo baseado em níquel-manganês-cobalto (NMC) patenteado por Argonne. "Tínhamos baterias que representavam diferentes químicas, que têm diferentes maneiras que se degradam e falham," disse Paulson. "O valor deste estudo é que nos deu sinais que são característicos de como diferentes baterias performam."

Estudos adicionais nesta área têm o potencial de guiar o futuro de baterias de íon-lítio, disse Paulson. "Uma das coisas que somos capazes de fazer é treinar o algoritmo em uma química conhecida e fazê-lo fazer previsões em uma química desconhecida," ele disse. "Essencialmente, o algoritmo pode ajudar a nos apontar na direção de químicas novas e melhoradas que oferecem vidas úteis mais longas."

Desta forma, Paulson acredita que o algoritmo de aprendizado de máquina poderia acelerar o desenvolvimento e teste de materiais de bateria. "Digamos que você tenha um novo material, e o cicla algumas vezes. Você poderia usar nosso algoritmo para prever sua longevidade, e então tomar decisões sobre se quer continuar a ciclá-lo experimentalmente ou não."

"Se você é um pesquisador em um laboratório, você pode descobrir e testar muitos mais materiais em menos tempo porque tem uma maneira mais rápida de avaliá-los," Babinec acrescentou.

Um artigo baseado no estudo, "Engenharia de características para previsão precoce de vida útil de bateria habilitada por aprendizado de máquina," apareceu na edição online de 25 de fevereiro do Journal of Power