Los investigadores están utilizando técnicas de IA para estudiar cómo extender la vida útil de la batería necesaria para alimentar los dispositivos de próxima generación. (Thomas Kelley en Unsplash)

Por el personal de AI Trends

Los investigadores están aplicando técnicas de IA que desean extender la vida útil de la batería y controlar su estado, con el objetivo de impulsar la próxima generación de vehículos eléctricos y productos electrónicos de consumo.

Investigadores de las universidades de Cambridge y Newcastle han diseñado un método de aprendizaje automático que puede predecir el estado de la batería con diez veces la precisión del estándar actual de la industria, según una cuenta en Ciencia diaria. La promesa es desarrollar baterías más seguras y confiables.

En una nueva forma de monitorear las baterías, los investigadores enviaron pulsos eléctricos y monitorearon la respuesta. Luego, las mediciones fueron procesadas por un algoritmo de aprendizaje automático para permitir la predicción del estado y la vida útil de la batería. El método no es invasivo y se puede agregar a cualquier sistema de batería.

La incapacidad de predecir la carga útil residual en las baterías de iones de litio es una limitación para el uso de vehículos eléctricos y una molestia para los usuarios de teléfonos móviles. Los métodos actuales de predicción del estado de la batería se basan en el seguimiento de la corriente y el voltaje durante la carga y descarga de la batería. Los nuevos métodos capturan más sobre lo que sucede en la batería y pueden detectar mejor los cambios sutiles.

«La seguridad y la fiabilidad son los criterios de diseño principales porque estamos desarrollando baterías que pueden acumular mucha energía en un espacio pequeño», dijo el Dr. Alpha Lee, del Laboratorio Cavendish en Cambridge, quien co-dirigió el estudio. «Al mejorar el software que monitorea la carga y la descarga y al usar software basado en datos para controlar el proceso de carga, creo que podemos mejorar significativamente el rendimiento de la batería».

Dr. Alpha Lee, Cavendish Laboratory, Universidad de Cambridge

Los investigadores realizaron más de 20,000 mediciones experimentales para entrenar al modelo en el reconocimiento de signos de envejecimiento de la batería. El modelo aprende a distinguir señales importantes del ruido irrelevante. El modelo aprende qué señales eléctricas están más relacionadas con el envejecimiento, lo que permite a los investigadores diseñar experimentos específicos para investigar más a fondo por qué las baterías se deterioran.

«El aprendizaje automático complementa y aumenta la comprensión física», dijo el coautor Dr. Yunwei Zhang, también del Laboratorio Cavendish. «Las señales interpretables identificadas por nuestro modelo de aprendizaje automático son un punto de partida para futuros estudios teóricos y experimentales».

Investigadores del Departamento de Energía que utilizan técnicas de visión artificial por computadora

Los investigadores del Laboratorio Nacional de Aceleradores SLAC del Departamento de Energía están utilizando técnicas de visión artificial por computadora para estudiar la duración de la batería. Los científicos combinan algoritmos de aprendizaje automático con datos de tomografía de rayos X para obtener una imagen detallada de la descomposición en un componente de la batería, el cátodo, según un informe publicado en SciTechDaily. El estudio mencionado ha sido publicado en Comunicaciones de la naturaleza.

Dr. Yunwei Zhang, Laboratorio Cavendish, Universidad de Cambridge

Para los cátodos hechos de partículas de níquel-manganeso-cobalto (NMC), se mantienen unidos por una matriz de carbono conductor. Los investigadores han especulado que las partículas que salen de esa matriz pueden deteriorar el rendimiento de la batería. El equipo tuvo acceso a capacidades avanzadas en Stanford Synchrotron Radiation Lightsource (SSRL), una división del Departamento de Energía de la Universidad de Stanford, y el European Synchrotron Radiation Facility (ESRF), una colaboración europea para la promoción de rayos X con sede en Grenoble , Francia. El objetivo era tener una idea de cómo las partículas de NMC se desintegran y se alejan de la matriz, y cómo eso se relaciona con la pérdida de rendimiento de la batería.

El equipo recurrió a la visión por computadora con capacidad de inteligencia artificial para ayudar a llevar a cabo la investigación. Necesitaban un modelo de aprendizaje automático para entrenar los datos en el reconocimiento de diferentes tipos de partículas para poder desarrollar una imagen tridimensional de cómo las partículas NMC, grandes o pequeñas, se desprenden del cátodo.

Los autores alentaron más investigaciones sobre el estado de la batería. «Nuestros hallazgos resaltan la importancia de cuantificar con precisión la naturaleza evolutiva de la microestructura del electrodo de la batería con confianza estadística, que es una clave para maximizar la utilidad de las partículas activas para una mayor capacidad de la batería», dijeron los autores.

(Cita: Jiang, Z., Li, J., Yang, Y. et al. El aprendizaje automático reveló estadísticas de liberación de partículas de carbono / aglutinante en cátodos de baterías de iones de litio. Nat Commun 11, 2310 (2020). https://doi.org/10.1038/s41467-020-16233-5)

(Para obtener una descripción general de cómo los investigadores de la Universidad de Stanford, el MIT y el Instituto de Investigación Toyota estudian reducciones radicales en los tiempos de carga de vehículos eléctricos, consulte Tendencias AI.)

Ver los artículos fuente en Ciencia diaria, SciTech Daily y Comunicaciones de la naturaleza.



Source link