Modelos de Machine Learning Preveem com Precisão Saúde e Longevidade de Baterias

Baterias de íon-lítio são usadas em uma ampla gama de aplicações devido à sua alta densidade de energia, longas vidas úteis e baixos custos. Nos últimos anos, a comercialização de veículos híbridos e elétricos estimulou uma demanda crescente por baterias de qualidade. Assim, analisar a "saúde" da bateria tornou-se cada vez mais importante.

No entanto, um dos principais obstáculos no desenvolvimento da tecnologia de baterias é monitorar e testar a saúde da bateria, o que leva muito tempo e o processo afeta a vida útil da bateria.

Um parâmetro chamado Estado de Saúde (SOH) representa a capacidade da bateria de armazenar energia, relativa às suas condições ideais ou iniciais. Para uma bateria nova, o SOH é geralmente 100%, mas diminui com o tempo. Avaliar o SOH é importante para o uso seguro e correto da bateria. No entanto, não existe nenhuma técnica que possa determinar esse valor com precisão sem danificar a vida útil da bateria.

Determinar o SOH Não é Fácil

O SOH de uma bateria está associado a dois fatores que surgem conforme as baterias envelhecem:

1. Perda de Capacidade: perda progressiva da capacidade de armazenamento
2. Resistência Elétrica: aumento progressivo da impedância que causa o declínio da potência da bateria.

Em baterias de íon-lítio, o aumento da impedância e a perda de capacidade de armazenamento ocorrem de numerosos processos interagentes. Como esses processos acontecem em escalas de tempo semelhantes, é muito difícil analisá-los independentemente. Portanto, não se pode usar uma única medição direta para avaliar o SOH.

Técnicas tradicionais [para determinar SOH] envolvem avaliar interações entre os eletrodos da bateria. Mas como isso torna a bateria instável, essas técnicas são inaceitáveis.

Atualmente, existem duas abordagens para determinar SOH de forma menos destrutiva: modelos adaptativos e métodos experimentais. A primeira abordagem usa dados de desempenho da bateria para autoajustar e diminuir erros. No entanto, esse tipo de método precisa ser treinado em dados experimentais antes de poder ser usado em um ambiente de produção.

A segunda abordagem, por outro lado, pode ser usada para determinar mecanismos de falha específicos ou processos físicos que acontecem em uma bateria. Isso fornece uma boa estimativa da taxa futura de degradação de capacidade. No entanto, tais métodos falham em identificar mau funcionamento intermitente.

IA Pode Prever com Precisão a Vida Útil das Baterias

Agora, pesquisadores do MIT, Universidade de Stanford e Instituto de Pesquisa da Toyota desenvolveram um modelo de inteligência artificial (IA) que pode determinar com precisão o SOH de uma bateria.

A equipe criou um conjunto de dados abrangente caracterizando o desempenho de 124 baterias de íon-lítio. Os dados foram registrados enquanto as baterias passavam por diferentes condições de carregamento rápido. Uma ampla gama de ciclos de carga e descarga (250 – 2.300) foi incluída nos dados.

Eles então usaram o método de Machine Learning (ML) para examinar os dados e gerar modelos que podem estimar com precisão a vida útil dos ciclos da bateria. Analisaram apenas os primeiros 100 ciclos de cada bateria (antes que houvesse indicações claras de perda de capacidade de armazenamento).

O melhor modelo gerado pelo ML foi capaz de estimar corretamente a vida útil dos ciclos para 91% das baterias. Os pesquisadores também usaram este método para estudar dados de apenas os primeiros 5 ciclos de cada bateria. Desta vez, o objetivo era descobrir se as baterias teriam vida longa ou curta (mais ou menos que 550 ciclos de carga-descarga). Neste caso, o modelo fez previsões corretas para 95% das baterias.

Embora os novos modelos fossem mais eficazes que os métodos tradicionais de determinação de SOH, eram menos precisos na previsão da vida útil dos ciclos para baterias cujas capacidades de armazenamento já haviam diminuído em alguma medida.

A equipe de pesquisa acredita que sua nova abordagem é uma forma promissora de estimar ciclos de vida de baterias de íon-lítio, e pode ajudar no desenvolvimento/melhoria de tecnologia de baterias emergente.