Nuovo modello prevede il ciclo di vita delle batterie al litio-metallo ad alta densità energetica

RomeNIMS e SoftBank Corp. hanno sviluppato un nuovo modello in grado di prevedere la durata delle batterie al litio-metallo ad alta energia utilizzando l’apprendimento automatico avanzato. Analizzando una grande quantità di dati relativi ai cicli di carica, scarica e riposo di queste batterie, il modello fornisce stime accurate della vita della batteria senza necessità di comprendere dettagliatamente il processo di degrado. Questa innovazione può rendere i dispositivi che utilizzano batterie al litio-metallo più sicuri e affidabili. Queste batterie hanno il potenziale di immagazzinare più energia rispetto alle attuali batterie al litio-ione, migliorando numerose tecnologie, tra cui:

• Droni
• Veicoli elettrici
• Sistemi di accumulo energetico domestico

Il Centro di Sviluppo Tecnologie Avanzate NIMS-SoftBank è stato fondato nel 2018. Da allora, si è dedicato alla creazione di batterie ricaricabili ad alta energia per stazioni base di telefonia mobile, dispositivi IoT e piattaforme ad alta quota. Uno dei principali successi è una batteria al litio-metallo con una densità energetica superiore a 300 Wh/kg, che resiste a più di 200 cicli di carica/scarica.

Prevedere la durata delle batterie al litio-metallo è stato complicato. Queste batterie invecchiano in modi più complessi rispetto alle batterie agli ioni di litio, e non comprendiamo pienamente il perché. Questa complessità rende difficile predire il loro rendimento. Per affrontare questo problema, gli scienziati hanno creato numerose batterie al litio-metallo ad alta energia con anodi di litio-metallo e catodi ricchi di nichel.

Il team ha utilizzato il machine learning avanzato sui dati di carica e scarica per creare un modello che prevede la durata delle batterie. Questo modello è unico poiché effettua previsioni basandosi esclusivamente sui dati disponibili, senza fare uso di ipotesi predefinite sulla degradazione delle batterie.

Leggi anche:

Oggi · 16:32

Connessioni sottili tra cervello e credenze politiche

Questo modello ha numerosi effetti significativi. Può rendere le batterie al litio-metallo più affidabili e sicure. Favorisce inoltre la rapida creazione di nuovi materiali per anodi al litio-metallo. Per le aziende che producono queste batterie, la capacità di prevedere con precisione la durata della batteria permette di migliorare i prodotti in modo più efficiente durante la fase di ricerca e sviluppo. Questo può comportare un risparmio sia di denaro che di tempo.

L'aumento della sicurezza e affidabilità derivante da queste previsioni potrebbe incrementare la fiducia degli investitori. Ciò potrebbe portare a maggiori finanziamenti e a un'adozione più rapida delle batterie al litio-metallo nella tecnologia di consumo e industriale. Comprendere meglio i meccanismi di degrado attraverso questo approccio basato sui dati potrebbe infine portare a batterie più durature e performanti in futuro.

L'uso del machine learning per sviluppare modelli predittivi potrebbe essere fondamentale per migliorare le prestazioni delle batterie al litio-metallo. Questo progresso potrebbe portare a soluzioni di stoccaggio dell'energia più efficienti, vantaggiose per vari settori, tra cui l'industria automobilistica e i sistemi di energia rinnovabile.