Los investigadores entrenan a la IA para predecir la degradación de la batería de los vehículos eléctricos

Las baterías de iones de litio se han convertido en una parte clave del auge de la movilidad eléctrica, pero predecir su salud y vida útil limita la tecnología.

Aunque está comprobado, la capacidad de las baterías de iones de litio se degrada con el tiempo, y no solo por el proceso de envejecimiento que se produce durante la carga y descarga, conocido como «envejecimiento cíclico».

Las baterías también se degradan cuando no están en uso

Las celdas de las baterías de iones de litio también experimentan degradación debido al llamado «envejecimiento del calendario», que ocurre durante el almacenamiento o simplemente cuando la batería no está en uso. Está determinado por tres factores principales: el estado de carga en reposo (SOC), la temperatura en reposo y la duración del tiempo de reposo de una batería.

¡Hola, nerd de los vehículos eléctricos!

Suscríbase ahora para obtener un resumen semanal de nuestras historias de movilidad favoritas

Dado que un vehículo eléctrico pasará la mayor parte de su vida estacionado, es crucial predecir la degradación de la capacidad de la celda debido al envejecimiento del calendario; esto puede prolongar la vida útil de la batería y allanar el camino para mecanismos que incluso podrían eludir el fenómeno.

Por esta razón, los investigadores utilizaron algoritmos avanzados de aprendizaje automático para predecir con precisión el envejecimiento del calendario.

Uniendo la investigación y el mercado de vehículos eléctricos

En un estudio reciente financiado por el programa Horizonte 2020 de la UE, un equipo de científicos llevó la investigación un paso más allá al comparar la precisión de dos algoritmos en el amplio espectro de químicas de baterías comerciales de iones de litio.

Específicamente, derivaron datos de envejecimiento de calendario de seis tipos de químicas de celdas de batería: óxido de litio y cobalto (LCO), fosfato de litio y hierro (LIP), óxido de litio y manganeso (LMO), litio-titanio (LTO), óxido de níquel-cobalto y aluminio (NCA). ). , y óxido de níquel-manganeso-cobalto (NMC).

Estas celdas de batería fueron envejecidas por calendario en cámaras de temperatura a 50, 60 y 70 grados centígrados, utilizando voltajes altos, medios y bajos.

Para predecir el envejecimiento, el equipo estudió la efectividad de dos algoritmos de aprendizaje automático: Extreme Gradient Boosting (XGBoost) y una red neuronal artificial (ANN).

¿Cómo funcionan los algoritmos?

Ambos algoritmos fueron elegidos por su capacidad para producir resultados fiables, pero difieren significativamente en su funcionamiento.

XGBoost es un algoritmo de aprendizaje automático supervisado basado en árboles de decisión de última generación que se usa ampliamente en problemas de regresión o clasificación.

ANN es un sistema adaptativo artificial que utiliza sus componentes básicos, llamados neuronas y conexiones, para transformar sus entradas globales en una salida prevista.

Para evaluar su desempeño, los investigadores utilizaron la métrica de error porcentual absoluto medio (MAPE), que mide la magnitud promedio de los errores entre los valores predichos y medidos. En pocas palabras, cuanto menor sea el valor de MAPE, mayor será la precisión de la predicción.

¿Qué mostraron los resultados?

El entrenamiento de los algoritmos mostró que XGBoost se puede utilizar para predecir de manera efectiva el calendario de envejecimiento de la mayoría de los productos químicos con un error absoluto medio significativamente mínimo. Mientras tanto, ANN produce resultados satisfactorios solo para las químicas celulares LFP, LTO y NCA.

Puede comprobar su precisión en el siguiente gráfico: