Científicos de la Universidad de Stanford (California, EE.UU.) han publicado un estudio llevado a cabo para encontrar un método de carga de baterías de 10 minutos para un vehículo eléctrico que maximizara la vida útil general de la batería. Mediante métodos de machine learning los científicos han diseñado un programa que no solo predice cómo las baterías responderían a diferentes planteamientos de carga, sino que reduce los tiempos de ensayos de las baterías.
El equipo, dirigido por los profesores Stefano Ermon y William Chueh de la Universidad de Stanford, ha desarrollado un método basado en machine learning que reduce los tiempos de prueba de los métodos de carga de las baterías en un 98%. Aunque el método está aplicado a la velocidad de carga de la batería, se puede aplicar a muchas otras fases del desarrollo de una batería, e incluso a tecnologías no energéticas.
Diseñar baterías de carga ultrarrápida es un gran desafío, principalmente porque es difícil hacer que duren. La intensidad de una recarga más rápida ejerce una mayor presión sobre la batería, lo que a menudo hace que falle antes de tiempo. Para evitar este daño en la batería, un componente que representa una gran parte del costo total de un vehículo eléctrico, los ingenieros deben probar una extensa serie de métodos de carga para encontrar los que mejor funcionan.
Optimización del tiempo mediante machine learning
Los investigadores diseñaron un programa que, basado en solo unos pocos ciclos de carga, predecía cómo las baterías responderían a diferentes enfoques de carga. El software también selecciona en tiempo real qué enfoques de carga se deben seguir o ignorar. Al reducir tanto la duración como el número de ensayos, los investigadores han reducido el proceso de prueba de casi 2 años a 16 días.
Esta investigación buscó optimizar este proceso de ensayos. En un estudio anterior, los investigadores descubrieron que en lugar de cargar y recargar cada batería hasta que fallara (la forma habitual de probar la vida útil de una batería) podían predecir cuánto duraría una batería después de solo sus primeros 100 ciclos de carga. Esto se debe a que el sistema de machine learning, después de haber sido ensayado con algunas baterías en ciclos hasta el fallo, podría encontrar patrones en los primeros datos que predecían cuánto tiempo durarían las baterías.
El sistema de machine learning ha reducido la cantidad de métodos que tenían que probar. En lugar de probar todos los métodos de carga posibles por igual, la computadora «aprendió» de sus experiencias para encontrar rápidamente los mejores protocolos de ensayo.
Al probar menos métodos para menos ciclos, los autores del estudio encontraron rápidamente el protocolo óptimo de carga ultrarrápida para la batería. En resumen, el ordenador elige el mejor método y acelera drásticamente el proceso de ensayo.
Los investigadores señalan que este método podría acelerar casi cada fase del desarrollo de las baterías: desde diseñar la química de una batería, determinar su tamaño y forma, hasta encontrar mejores sistemas para la fabricación y almacenamiento. Esto tendría amplias aplicaciones, no solo para los vehículos eléctricos sino también para otros tipos de almacenamiento de energía, un requisito clave para hacer el cambio a la energía eólica y solar a gran escala.
El estudio fue publicado por Nature el 19 de febrero, como parte de una colaboración más amplia entre científicos de Stanford, MIT y el Toyota Research Institute.