Previsão precisa da vida útil da bateria com modelos de aprendizado de máquina

• Um novo modelo de inteligência artificial pode determinar com precisão o estado de saúde de uma bateria.
• Ele usa dados capturados da bateria em seus estágios iniciais e prevê se a bateria teria uma vida útil longa ou curta.

As baterias de íon-lítio são usadas em uma ampla gama de aplicações devido à sua alta densidade de energia, longa vida útil e baixo custo. 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 maiores obstáculos no desenvolvimento da tecnologia de bateria é monitorar e testar a integridade da bateria, o que leva muito tempo e o processo afeta a vida da bateria.

Um parâmetro denominado Estado de Saúde (SOH) representa a capacidade da bateria de armazenar energia, em relação às suas condições ideais ou iniciais. Para uma bateria nova, o SOH geralmente é 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 com precisão esse valor sem danificar a vida útil da bateria.

Determinar SOH não é fácil

O SOH de uma bateria está associado a dois fatores que surgem com o envelhecimento da bateria -

1. Desvanecimento da capacidade:perda progressiva da capacidade de armazenamento
2. Resistência elétrica:aumento progressivo da impedância que faz com que a carga da bateria diminua.

Nas baterias de íon-lítio, o aumento da impedância e a perda da capacidade de armazenamento ocorrem a partir de vários processos de interação. Uma vez que esses processos acontecem em escalas de tempo semelhantes, é muito difícil analisá-los de forma independente. Assim, não se pode usar uma única medida direta para avaliar SOH.

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

Atualmente, existem duas abordagens para determinar SOH de uma maneira menos destrutiva:modelos adaptativos e métodos experimentais. A primeira abordagem usa dados de desempenho da bateria para se autoajustar e diminuir os erros. No entanto, esse tipo de método precisa ser treinado em dados experimentais antes que possam ser realmente usados ​​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 da capacidade. No entanto, esses métodos não conseguem identificar avarias intermitentes.

IA pode prever com precisão a vida útil das baterias

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

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

Referência:Natureza | doi:10.1038 / s41560-019-0356-8

Em seguida, eles usaram o método de aprendizado de máquina (ML) para examinar os dados e gerar modelos que podem estimar com precisão a vida útil do ciclo da bateria. Eles analisaram apenas os primeiros 100 ciclos de cada bateria (antes que houvesse indicações claras de perda de capacidade de armazenamento).

Vida útil estimada x observada das baterias | A linha tracejada mostra onde as estimativas e observações são iguais, para referência | Cortesia de pesquisadores

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

Embora os novos modelos fossem mais eficazes do que os métodos tradicionais de determinação de SOH, eles eram menos precisos na previsão do ciclo de vida de baterias cujas capacidades de armazenamento já haviam diminuído até certo ponto.

Leia:A nova bateria de alumínio-grafeno pode ser carregada em 5 segundos

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