Investigadores das universidades de Cambridge e Newcastle desenvolveram um novo método para monitorizar baterias, enviando impulsos elétricos e medindo a resposta. Estas medições são depois processadas por um algoritmo de aprendizagem automática para prever a saúde e a vida útil da bateria. O método é não invasivo e pode ser facilmente integrado em qualquer sistema de baterias existente. Os resultados foram publicados na revista Nature Communications.
A previsão da saúde e da vida útil restante das baterias de iões de lítio é um dos principais problemas que limitam a adoção em larga escala de veículos elétricos; também é uma preocupação comum para os utilizadores de telemóveis. Com o tempo, o desempenho da bateria degrada-se através de uma complexa rede de processos químicos subtis. Individualmente, cada um destes processos não afeta muito o desempenho da bateria, mas, em conjunto, podem reduzir drasticamente a sua vida útil e o seu desempenho.
Os métodos atuais para prever a saúde da bateria baseiam-se na monitorização da corrente e da tensão durante os processos de carga e descarga. Isto ignora características importantes que indicam a saúde da bateria. O rastreio dos diversos processos que ocorrem dentro da bateria exige novas formas de a testar em funcionamento, bem como novos algoritmos capazes de detetar sinais subtis durante os ciclos de carga e descarga.
"A segurança e a fiabilidade são os critérios de design mais importantes à medida que desenvolvemos baterias capazes de armazenar muita energia num espaço pequeno", afirma o Dr. Alpha Lee, do Laboratório Cavendish, em Cambridge, que liderou a investigação. "Ao melhorarmos o software que monitoriza o carregamento e a descarga, e ao utilizarmos um software baseado em dados para controlar o processo de carregamento, acredito que podemos alcançar uma melhoria significativa no desempenho das baterias.".
Investigadores desenvolveram um método para monitorizar baterias enviando pulsos elétricos e medindo a sua resposta. Um modelo de aprendizagem automática é então utilizado para descobrir características específicas na resposta elétrica que são sinais reveladores do envelhecimento da bateria. Os investigadores realizaram mais de 20 mil medições experimentais para treinar o modelo — o maior conjunto de dados deste tipo. É importante realçar que o modelo aprende a distinguir sinais importantes de ruídos irrelevantes. O método é não invasivo e pode ser facilmente integrado em qualquer sistema de baterias existente.
Os investigadores demonstraram também que o modelo de aprendizagem automática pode ser interpretado para fornecer pistas sobre o mecanismo físico de degradação. O modelo consegue identificar quais os sinais elétricos que estão mais relacionados com o envelhecimento, o que, por sua vez, lhes permite conceber experiências específicas para investigar porquê e como as baterias se degradam.
"A aprendizagem automática complementa e melhora a nossa compreensão da física", disse o Dr. Yunwei Zhang, coautor sénior e também do Laboratório Cavendish. "Os sinais interpretáveis identificados pelo nosso modelo de aprendizagem automática são um ponto de partida para futuros estudos teóricos e experimentais.".
Os investigadores estão agora a utilizar a sua plataforma de aprendizagem automática para compreender a degradação em diferentes composições químicas de baterias. Estão também a desenvolver protocolos de carregamento de bateria otimizados por aprendizagem automática para permitir o carregamento rápido e minimizar a degradação.
Este trabalho foi financiado pela Faraday Institution. O Dr. Lee é também investigador associado no St Catharine's College.
Referência:
YYunwei Zhang et al. 'Identificação de padrões de degradação de baterias de iões de lítio a partir da espectroscopia de impedância usando aprendizagem automática.' Nature Communications (2020). DOI: 10.1038/s41467-020-15235-7
