Imagine um vidente dizendo aos seus pais, no dia do seu nascimento, quanto tempo você viverá. 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 baterias com diferentes composições químicas. Utilizando dados experimentais coletados em Argonne de um conjunto de 300 baterias representando seis composições químicas diferentes, os cientistas conseguem determinar com precisão por quanto tempo cada bateria continuará a funcionar.

Pesquisadores do Argonne usaram modelos de aprendizado de máquina para fazer previsões sobre a vida útil de baterias com diferentes composições químicas. (Imagem: Shutterstock/Sealstep.)

Em um algoritmo de aprendizado de máquina, os cientistas treinam um programa de computador para fazer inferências a partir de um conjunto inicial de dados e, em seguida, utilizam o que aprenderam com esse treinamento para tomar decisões com base em outro conjunto de dados.

“Para todos os tipos de aplicações de baterias, desde celulares e veículos elétricos até armazenamento em redes elétricas, a vida útil da bateria é fundamental para todos os consumidores”, disse Noah Paulson, cientista computacional do Argonne e um dos autores do estudo. “Ter que ciclar uma bateria milhares de vezes até que ela falhe pode levar anos; nosso método cria uma espécie de laboratório computacional onde podemos estabelecer rapidamente o desempenho de diferentes baterias.”

“Atualmente, a única maneira de avaliar como a capacidade de uma bateria diminui é realizando ciclos de carga e descarga”, acrescentou a eletroquímica Susan “Sue” Babinec, do Argonne, outra autora do estudo. “É muito caro e demorado.”

Segundo Paulson, o processo de determinar a vida útil de uma bateria pode ser complicado. “A realidade é que as baterias não duram para sempre, e a sua durabilidade depende da forma como as utilizamos, bem como do seu design e da sua composição química”, afirmou. “Até agora, não havia uma forma eficaz de saber quanto tempo uma bateria vai durar. As pessoas vão querer saber quanto tempo têm antes de terem de gastar dinheiro com uma bateria nova.”

Um aspecto singular do estudo é que ele se baseou em extenso trabalho experimental realizado em Argonne com uma variedade de materiais catódicos para baterias, especialmente o cátodo patenteado de níquel-manganês-cobalto (NMC) de Argonne. “Tínhamos baterias que representavam diferentes composições químicas, com diferentes formas de degradação e falha”, disse Paulson. “O valor deste estudo reside no fato de que ele nos forneceu sinais característicos do desempenho de diferentes baterias.”

Estudos adicionais nessa 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 com base em uma composição química conhecida e fazer previsões com base em uma composição química desconhecida", afirmou. "Essencialmente, o algoritmo pode nos ajudar a encontrar composições químicas novas e aprimoradas que ofereçam maior vida útil."

Dessa forma, Paulson acredita que o algoritmo de aprendizado de máquina pode acelerar o desenvolvimento e os testes de materiais para baterias. “Imagine que você tenha um novo material e o teste algumas vezes. Você poderia usar nosso algoritmo para prever sua durabilidade e, então, decidir se deseja continuar testando-o 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 possibilitou 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, do Argonne, Logan Ward, Saurabh Saxena e Wenquan Lu.

O estudo foi financiado por uma bolsa do programa de Pesquisa e Desenvolvimento Direcionado do Laboratório Argonne (LDRD).