MIT, Stanford y Toyota Research Institute usan AI para predecir con precisión la vida útil de las baterías - World Energy Trade

MIT, Stanford y Toyota Research Institute usan AI para predecir con precisión la vida útil de las baterías

El Toyota Research Institute (TRI) probando tecnología de vehículos autónomos

El Toyota Research Institute (TRI) probando tecnología de vehículos autónomos

Investigación, Desarrollo e Innovación
Typography
  • Smaller Small Medium Big Bigger
  • Default Helvetica Segoe Georgia Times
Inicio desactivadoInicio desactivadoInicio desactivadoInicio desactivadoInicio desactivado
 

Los investigadores descubren cómo predecir con precisión el ciclo de vida de las baterías de iones de litio utilizando datos de ciclo temprano y aprendizaje automático

LOS ALTOS, California, - ¿No sería bueno si los fabricantes de baterías pudieran saber cuál de sus baterías durará al menos dos años y venderlas a fabricantes de teléfonos móviles, y cuáles durarán diez años o más y ¿Venderlos a fabricantes de vehículos eléctricos? La nueva investigación en colaboración publicada en la revista “ Nature Energy” muestra cómo podrían comenzar a hacerlo.

Los científicos del Instituto Tecnológico de Massachusetts (MIT), la Universidad de Stanford y el Instituto de Investigación Toyota (TRI) descubrieron que la combinación de datos experimentales completos y la inteligencia artificial revelaron la clave para predecir con precisión la vida útil de las baterías de iones de litio antes de que sus capacidades comenzaran a disminuir.



Después de que los investigadores entrenaron su modelo de aprendizaje automático con unos pocos cientos de millones de puntos de datos, el algoritmo predijo cuántos ciclos más duraría cada batería, según la disminución de voltaje y algunos otros factores entre los ciclos iniciales. Las predicciones estaban dentro del 9 por ciento de la vida del ciclo real. Por separado, el algoritmo clasificó las baterías como una expectativa de vida larga o corta basada solo en los primeros cinco ciclos de carga / descarga. Aquí, las predicciones fueron correctas el 95 por ciento de las veces.

Este método de aprendizaje automático podría acelerar la investigación y el desarrollo de nuevos diseños de baterías y reducir el tiempo y el costo de producción, entre otras aplicaciones. Los investigadores han hecho que los datos , los más grandes de su tipo, estén disponibles públicamente.



“La forma estándar de probar nuevos diseños de baterías es cargar y descargar las celdas hasta que mueran. Como las baterías tienen una larga vida útil, este proceso puede durar muchos meses e incluso años ”, dijo el coautor principal Peter Attia, candidato a doctorado de Stanford en Ciencia e Ingeniería de Materiales. "Es un cuello de botella costoso en la investigación de baterías".

El trabajo se llevó a cabo en el Centro para el Diseño de Baterías Impulsado por Datos, una colaboración académico-industrial que integra teoría, experimentos y ciencia de datos. Los investigadores de Stanford, dirigidos por William Chueh, profesor asistente de Ciencia e Ingeniería de Materiales, llevaron a cabo los experimentos de batería. El equipo de MIT, dirigido por Richard Braatz, profesor de Ingeniería Química, realizó el trabajo de aprendizaje automático. Kristen Severson es co-autor principal de la investigación. Ella completó su Ph.D. en ingeniería química en el MIT la primavera pasada.

     Fig 1 .- El profesor del MIT Richard Braatz, a la izquierda.

Una de las tareas críticas en los proyectos de investigación de múltiples institutos basados en datos es garantizar que las grandes corrientes de datos producidos en las instalaciones experimentales se gestionen y transfieren entre diferentes grupos de investigación de manera eficiente. Los coautores del estudio Muratahan Aykol y Patrick Herring llevaron la experiencia de TRI con big data al proyecto y su propia experiencia en el desarrollo de baterías para permitir una gestión eficaz y un flujo continuo de datos de la batería, lo cual fue esencial para esta colaboración para crear modelos precisos de aprendizaje automático para La predicción temprana de la falla de la batería.

Optimizando la carga rápida

Uno de los objetivos del proyecto fue encontrar una mejor manera de cargar las baterías en diez minutos, una característica que podría acelerar la adopción masiva de vehículos eléctricos. Para generar el conjunto de datos de entrenamiento, el equipo cargó y descargó las baterías hasta que cada una alcanzó el final de su vida útil, que definieron como una pérdida de capacidad del 20 por ciento. En el camino hacia la optimización de la carga rápida, los investigadores querían averiguar si era necesario colocar las baterías en el suelo. ¿Se puede encontrar la respuesta a una pregunta sobre la batería en la información de los primeros ciclos?

“Los avances en el poder computacional y la generación de datos recientemente han permitido que el aprendizaje automático acelere el progreso para una variedad de tareas. Estos incluyen la predicción de las propiedades del material ", dijo Braatz. "Nuestros resultados aquí muestran cómo podemos predecir el comportamiento de sistemas complejos en el futuro".

En general, la capacidad de una batería de iones de litio es estable por un tiempo. Luego toma un giro brusco hacia abajo. El punto de plomada es muy variable, ya que la mayoría de los 21 stconsumidores saben siglo. En este proyecto, las baterías duraron entre 150 y 2300 ciclos. Esa variación fue en parte el resultado de probar diferentes métodos de carga rápida, pero también debido a las diferencias normales que surgen en los dispositivos producidos comercialmente que dependen de las interfaces moleculares.

"Por todo el tiempo y el dinero que se gasta en el desarrollo de baterías, el progreso aún se mide en décadas", dijo Herring. "En este trabajo, estamos reduciendo uno de los pasos que más tiempo consumen: la prueba de la batería, en un orden de magnitud".

Usos posibles

El nuevo método tiene muchas aplicaciones potenciales de acuerdo con Attia. Por ejemplo, puede acortar el tiempo para validar baterías con nuevos productos químicos, lo cual es especialmente importante dados los rápidos avances en los materiales. Además, los fabricantes pueden usar la técnica de clasificación para clasificar baterías con tiempos de vida más largos para vender a precios más altos para usos más exigentes, como los vehículos eléctricos. Los recicladores pueden usar el método para encontrar celdas en paquetes de baterías EV usadas que tengan suficiente vida para usos secundarios.

Otro uso más es la optimización de la fabricación de baterías. "El último paso en la fabricación de baterías se llama 'formación', que puede tardar de días a semanas", dijo Attia. "El uso de nuestro enfoque podría acortar eso significativamente y reducir el costo de producción".



Los investigadores están utilizando este modelo de predicción temprana para optimizar los procedimientos de carga que podrían permitir que las baterías se carguen en diez minutos. Al utilizar este modelo, el tiempo de optimización puede reducirse en más de un factor de diez, lo que acelera significativamente la investigación y el desarrollo.

Esta investigación es parte del programa de Descubrimiento y Diseño de Materiales Acelerados (AMDD) de TRI. Liderada por el director del programa, Brian Storey, la iniciativa de $ 35 millones colabora con entidades de investigación, universidades y empresas para utilizar la inteligencia artificial para acelerar el diseño y el descubrimiento de materiales avanzados.

 

Te puede interesar: Toyota AI Ventures lanza nuevo fondo de $ 100 millones para startups de movilidad y robótica