Imagine um médium contando aos seus pais, no dia em que você nasceu, quanto tempo você viveria.Uma experiência semelhante é possível para químicos de baterias que estão usando novos modelos computacionais para calcular a vida útil das baterias com base em apenas um único ciclo de dados experimentais.

Em um novo estudo, pesquisadores do Laboratório Nacional Argonne do Departamento de Energia dos EUA (DOE) recorreram ao poder do aprendizado de máquina para prever a vida útil de uma ampla gama de diferentes produtos químicos de baterias.Ao utilizar dados experimentais recolhidos em Argonne a partir de um conjunto de 300 baterias representando seis diferentes químicas de bateria, os cientistas podem determinar com precisão durante quanto tempo diferentes baterias continuarão a circular.

Os pesquisadores da Argonne usaram modelos de aprendizado de máquina para fazer previsões do ciclo de vida da bateria para uma ampla gama de produtos químicos diferentes.(Imagem de Shutterstock/Sealstep.)

Num algoritmo de aprendizagem automática, os cientistas treinam um programa de computador para fazer inferências sobre um conjunto inicial de dados e depois utilizam o que aprenderam com esse treino para tomar decisões sobre outro conjunto de dados.

“Para cada tipo diferente de aplicação de bateria, desde telefones celulares a veículos elétricos e armazenamento em rede, a vida útil da bateria é de fundamental importância para cada consumidor”, disse o cientista computacional da Argonne, Noah Paulson, autor do estudo."Ter que reciclar uma bateria milhares de vezes até que ela falhe pode levar anos;nosso método cria uma espécie de cozinha de testes computacionais onde podemos estabelecer rapidamente o desempenho de diferentes baterias.”

“No momento, a única maneira de avaliar como a capacidade de uma bateria diminui é realmente fazer o ciclo da bateria”, acrescentou a eletroquímica de Argonne, Susan "Sue" Babinec, outra autora do estudo."É muito caro e leva muito tempo."

De acordo com Paulson, o processo de estabelecer a vida útil da bateria pode ser complicado."A realidade é que as baterias não duram para sempre e quanto tempo duram depende da forma como as usamos, bem como do seu design e da sua química", disse ele.“Até agora, não havia realmente uma ótima maneira de saber quanto tempo uma bateria iria durar.As pessoas vão querer saber quanto tempo têm até gastar dinheiro em uma bateria nova.”

Um aspecto único do estudo é que ele se baseou em um extenso trabalho experimental realizado em Argonne em uma variedade de materiais de cátodo de bateria, especialmente o cátodo patenteado à base de níquel-manganês-cobalto (NMC) da Argonne."Tínhamos baterias que representavam produtos químicos diferentes, que apresentavam diferentes maneiras de se degradarem e falharem", disse Paulson."O valor deste estudo é que ele nos deu sinais característicos do desempenho de diferentes baterias."

Estudos adicionais nesta área têm o potencial de orientar o futuro das baterias de íon-lítio, disse Paulson.“Uma das coisas que podemos fazer é treinar o algoritmo em uma química conhecida e fazer previsões sobre uma química desconhecida”, disse ele."Essencialmente, o algoritmo pode ajudar a nos apontar na direção de produtos químicos novos e aprimorados que oferecem vidas mais longas."

Dessa forma, Paulson acredita que o algoritmo de aprendizado de máquina poderia acelerar o desenvolvimento e teste de materiais de bateria."Digamos que você tenha um novo material e o alterne algumas vezes.Você poderia usar nosso algoritmo para prever sua longevidade e então tomar decisões sobre se deseja continuar a ciclá-lo experimentalmente ou não.”

“Se você é um pesquisador em um laboratório, pode descobrir e testar muito mais materiais em menos tempo porque tem uma maneira mais rápida de avaliá-los”, acrescentou Babinec.

Um artigo baseado no estudo, "A engenharia de recursos para aprendizado de máquina permitiu a previsão antecipada da vida útil da bateria”, apareceu na edição online de 25 de fevereiro do Journal of Power Sources.

Além de Paulson e Babinec, outros autores do artigo incluem Joseph Kubal de Argonne, Logan Ward, Saurabh Saxena e Wenquan Lu.

O estudo foi financiado por uma bolsa de Pesquisa e Desenvolvimento Dirigida pelo Laboratório Argonne (LDRD).