Os pesquisadores desenvolveram um método de aprendizado de máquina que pode prever a saúde da bateria com uma precisão 10 vezes maior do que o padrão atual da indústria, que poderia ajudar no desenvolvimento de baterias mais seguras e confiáveis ​​para veículos elétricos e eletrônicos de consumo.

Os pesquisadores, das universidades de Cambridge e Newcastle, desenvolveram uma nova maneira de monitorar as baterias, enviando pulsos elétricos para dentro delas e medindo a resposta. As medições são então processadas por um algoritmo de aprendizado de máquina para prever a integridade e a vida útil da bateria. Seu método não é invasivo e é um simples complemento para qualquer sistema de bateria existente. Os resultados são relatados no jornal Nature Communications .

Prever o estado de saúde e a vida útil restante das baterias de íon-lítio é um dos grandes problemas que limitam a adoção generalizada de veículos elétricos:também é um incômodo familiar para os usuários de telefones celulares. Hora extra, o desempenho da bateria é degradado por meio de uma rede complexa de processos químicos sutis. Individualmente, cada um desses processos não afeta muito o desempenho da bateria, mas, coletivamente, eles podem reduzir drasticamente o desempenho e a vida útil de uma bateria.

Os métodos atuais para prever a integridade da bateria são baseados no rastreamento da corrente e da tensão durante o carregamento e o descarregamento da bateria. Isso perde recursos importantes que indicam a integridade da bateria. Rastrear os muitos processos que estão acontecendo dentro da bateria requer novas maneiras de sondar as baterias em ação, bem como novos algoritmos que podem detectar sinais sutis à medida que são carregados e descarregados.

"Segurança e confiabilidade são os critérios de design mais importantes, pois desenvolvemos baterias que podem armazenar muita energia em um espaço pequeno, "disse o Dr. Alpha Lee do Laboratório Cavendish de Cambridge, que co-liderou a pesquisa. "Ao melhorar o software que monitora o carregamento e a descarga, e usando software baseado em dados para controlar o processo de cobrança, Acredito que podemos impulsionar uma grande melhoria no desempenho da bateria. "

Os pesquisadores criaram uma maneira de monitorar as baterias enviando pulsos elétricos para dentro delas e medindo sua resposta. Um modelo de aprendizado de máquina é então usado para descobrir recursos específicos na resposta elétrica que são o sinal de envelhecimento da bateria. Os pesquisadores realizaram mais de 20, 000 medições experimentais para treinar o modelo, o maior conjunto de dados de seu tipo. Mais importante, o modelo aprende como distinguir sinais importantes de ruídos irrelevantes. Seu método não é invasivo e é um simples complemento para qualquer sistema de bateria existente.

Os pesquisadores também mostraram que o modelo de aprendizado de máquina pode ser interpretado para dar dicas sobre o mecanismo físico de degradação. O modelo pode informar quais sinais elétricos estão mais relacionados com o envelhecimento, o que, por sua vez, permite que eles planejem experimentos específicos para sondar por que e como as baterias se degradam.

"O aprendizado de máquina complementa e aumenta a compreensão física, "disse o co-primeiro autor Dr. Yunwei Zhang, também do Laboratório Cavendish. "Os sinais interpretáveis ​​identificados por nosso modelo de aprendizado de máquina são um ponto de partida para futuros estudos teóricos e experimentais."

Os pesquisadores agora estão usando sua plataforma de aprendizado de máquina para entender a degradação em diferentes produtos químicos de bateria. Eles também estão desenvolvendo protocolos de carregamento de bateria ideais, impulsionando o aprendizado de máquina, para permitir o carregamento rápido e minimizar a degradação.