Las baterías de iones de litio son fundamentales para el funcionamiento de diversos dispositivos y sistemas energéticos. Sin embargo, su diagnóstico y evaluación de salud suelen ser procesos complejos y lentos. Recientemente, un equipo de investigadores ha desarrollado un modelo de red neuronal que promete realizar estas evaluaciones de manera mucho más eficiente.
La importancia de la salud de las baterías
La salud de una batería es crucial para su rendimiento y duración. Las condiciones ambientales, el número de ciclos de carga y el diseño de los electrodos afectan su degradación. Comprender la salud de una batería no solo beneficia a los fabricantes, sino también a los investigadores y consumidores que dependen de estas tecnologías. Sin embargo, la dificultad radica en que cada celda es un sistema complejo. Evaluar su estado requiere modelos precisos, lo que tradicionalmente ha llevado a limitaciones en la velocidad y precisión de las evaluaciones.
Innovación en diagnóstico con PINN
El modelo desarrollado por investigadores del Laboratorio Nacional de Energías Renovables (NREL) utiliza lo que se conoce como red neuronal informada por la física (PINN). Este enfoque permite predecir la salud de las baterías casi mil veces más rápido que los modelos tradicionales. Kandler Smith, quien lidera la investigación, señala que los modelos físicos tradicionales son intensivos en recursos y requieren grandes cantidades de cálculos, lo que limita su capacidad de ofrecer diagnósticos rápidos.
Cómo funciona el modelo
El modelo PINN sustituye el enfoque físico tradicional por uno que simula las neuronas interconectadas del cerebro humano. Esto permite analizar conjuntos de datos no lineales y complejos de manera más efectiva. A través de este proceso de aprendizaje profundo, los investigadores han podido cuantificar los mecanismos de degradación física de las baterías y mejorar el diagnóstico de su salud.
Creación de modelos de duración de baterías
Además de diagnosticar la salud de las baterías, el equipo de NREL ha desarrollado una amplia gama de modelos para predecir la degradación y optimizar diseños. Utilizan modelos como el Modelo de Partícula Única (SPM) y el Modelo Pseudo-2D (P2D), que son métodos aceptados para evaluar la evolución de parámetros internos de las baterías. Sin embargo, el uso directo de estos modelos es intensivo en computación. Con el modelo PINN, los investigadores pueden separar las propiedades internas de una batería de su voltaje de salida, lo que reduce significativamente el tiempo de cálculo necesario para el diagnóstico.
Implicaciones del modelo PINN
Las implicaciones del modelo PINN son extensas. Este enfoque permitirá realizar predicciones rápidas sobre el estado de salud de las baterías, facilitando decisiones más informadas en aplicaciones energéticas. Al reducir las barreras computacionales, el modelo promete una gestión más eficiente y escalable del almacenamiento de energía, asegurando que la energía esté disponible cuando y donde se necesite.
El futuro del diagnóstico de baterías
Los investigadores están trabajando en llevar este modelo desde simulaciones controladas a la validación de datos en el mundo real. Al implementar diagnósticos basados en PINN en una variedad de sistemas de baterías, esperan mejorar el monitoreo del rendimiento de las baterías y extender su vida útil. El futuro de la investigación se centrará en refinar el modelo para abordar problemas de alta dimensionalidad, lo que permitirá predecir una gama más amplia de parámetros internos con mayor precisión.
