I ricercatori hanno progettato un metodo di apprendimento automatico in grado di prevedere lo stato di salute della batteria con una precisione 10 volte superiore rispetto agli attuali standard di settore, che potrebbe aiutare nello sviluppo di batterie più sicure e affidabili per i veicoli elettrici e l'elettronica di consumo.

I ricercatori, dalle Università di Cambridge e Newcastle, hanno progettato un nuovo modo per monitorare le batterie inviandovi impulsi elettrici e misurando la risposta. Le misurazioni vengono quindi elaborate da un algoritmo di apprendimento automatico per prevedere lo stato di salute e la durata utile della batteria. Il loro metodo non è invasivo ed è una semplice aggiunta a qualsiasi sistema di batterie esistente. I risultati sono riportati sulla rivista Comunicazioni sulla natura .

Prevedere lo stato di salute e la vita utile residua delle batterie agli ioni di litio è uno dei grandi problemi che limitano l'adozione diffusa dei veicoli elettrici:è anche un fastidio familiare per gli utenti di telefoni cellulari. Col tempo, le prestazioni della batteria si degradano attraverso una complessa rete di sottili processi chimici. Individualmente, ognuno di questi processi non ha un grande effetto sulle prestazioni della batteria, ma collettivamente possono ridurre notevolmente le prestazioni e la durata della batteria.

I metodi attuali per prevedere lo stato della batteria si basano sul monitoraggio della corrente e della tensione durante la carica e la scarica della batteria. Mancano funzioni importanti che indicano lo stato di salute della batteria. Il monitoraggio dei numerosi processi che si verificano all'interno della batteria richiede nuovi modi per sondare le batterie in azione, così come nuovi algoritmi in grado di rilevare segnali sottili mentre vengono caricati e scaricati.

"Sicurezza e affidabilità sono i criteri di progettazione più importanti poiché sviluppiamo batterie in grado di racchiudere molta energia in un piccolo spazio, " ha detto il dottor Alpha Lee del Cavendish Laboratory di Cambridge, che ha co-diretto la ricerca. "Migliorando il software che monitora la carica e la scarica, e utilizzando un software basato sui dati per controllare il processo di ricarica, Credo che possiamo migliorare notevolmente le prestazioni della batteria".

I ricercatori hanno progettato un modo per monitorare le batterie inviandovi impulsi elettrici e misurandone la risposta. Un modello di apprendimento automatico viene quindi utilizzato per scoprire caratteristiche specifiche nella risposta elettrica che sono il segno rivelatore dell'invecchiamento della batteria. I ricercatori hanno eseguito oltre 20, 000 misurazioni sperimentali per addestrare il modello, il più grande set di dati del suo genere. È importante sottolineare che il modello impara a distinguere i segnali importanti dal rumore irrilevante. Il loro metodo non è invasivo ed è una semplice aggiunta a qualsiasi sistema di batterie esistente.

I ricercatori hanno anche dimostrato che il modello di apprendimento automatico può essere interpretato per fornire suggerimenti sul meccanismo fisico di degrado. Il modello può informare quali segnali elettrici sono maggiormente correlati con l'invecchiamento, che a sua volta consente loro di progettare esperimenti specifici per sondare perché e come le batterie si degradano.

"L'apprendimento automatico integra e aumenta la comprensione fisica, " ha detto il co-primo autore Dr. Yunwei Zhang, anche dal Laboratorio Cavendish. "I segnali interpretabili identificati dal nostro modello di apprendimento automatico sono un punto di partenza per futuri studi teorici e sperimentali".

I ricercatori stanno ora utilizzando la loro piattaforma di apprendimento automatico per comprendere il degrado in diversi tipi di batterie. Stanno anche sviluppando protocolli ottimali per la ricarica delle batterie, alimentazione tramite l'apprendimento automatico, per consentire una ricarica rapida e ridurre al minimo il degrado.