Inteligência artificial no desenvolvimento de baterias

Uma equipa de investigadores da Universidade de Stanford (Califórnia) publicaram recentemente um estudo, inicialmente orientado para o desenvolvimento de uma tecnologia de carregamento ultra-rápido, que resultou no desenvolvimento de um método altamente eficiente de desenvolvimento e teste de baterias.

A equipa, liderada pelos professores Stefano Ermon e William Chueh, da Universidade de Stanford, criou um método baseado em machine learning que não só prevê a resposta das baterias a diferentes abordagens de carregamento como também reduz em 98% o tempo de teste dos métodos de carregamento de baterias.

Embora o método seja aplicado à velocidade de carga da bateria, pode também ser aplicado a muitas outras fases do desenvolvimento da bateria e até a tecnologias não energéticas.

O desafio

Desenvolver baterias de carregamento ultra-rápido é um grande desafio, principalmente porque é difícil fazê-las durar tanto quanto as baterias normais. A intensidade de uma recarga mais rápida coloca mais pressão sobre a bateria, geralmente causando falhas prematuras.

Para evitar os dano na bateria, componente que representa grande parte do custo total de um veículo elétrico, os engenheiros devem tentar um vasto conjunto de métodos de carregamento para encontrar os que funcionam melhor.

O projeto

Os investigadores conceberam um programa que, baseado em apenas alguns ciclos de carga, prevê de que forma as baterias reagem a diferentes abordagens de carregamento. Adicionalmente, o software seleciona em tempo real quais as abordagens de carregamento devem ser seguidas ou ignoradas.

Ao reduzir a duração e o número de ensaios, os investigadores reduziram o processo de teste de quase 2 anos para 16 dias. Num estudo anterior, os investigadores descobriram que, em vez de carregar e recarregar cada bateria até que falhasse (o método típico de testar a vida útil da bateria), poderiam prever quanto tempo uma bateria duraria após apenas seus primeiros 100 ciclos de carga.

Isso acontece porque o sistema de machine learning, depois de ter testado algumas baterias até a falha, pode encontrar padrões a partir destes dados que permitem prever quanto tempo as baterias durariam com outros métodos.

Assim, o sistema de machine learning reduz o número de métodos que os investigadores têm de experimentar. Em vez de testar todos os métodos de carregamento possíveis por igual, o sistema “aprende” com a experiência a encontrar rapidamente os melhores protocolos de teste.

Ao testar menos métodos por menos ciclos, os autores do estudo encontraram rapidamente o protocolo de carga ultra-rápido ideal para a bateria. Em resumo, o computador escolhe o melhor método e acelera drasticamente o processo de teste.

As implicações

Os investigadores concluíram que este método pode acelerar quase todas as fases do desenvolvimento da bateria: desde o design da química da bateria, determinando seu tamanho e forma, até à busca de melhores sistemas para fabrico e armazenamento.

Isto teria amplas aplicações, não apenas para veículos elétricos mas também para outros tipos de armazenamento de energia, um requisito essencial para a mudança para energia eólica e solar em larga escala.

O estudo foi publicado pela Nature em 19 de fevereiro, como parte de uma colaboração mais ampla entre investigadores de Stanford, do MIT e do Toyota Research Institute.