Nuevo modelo predice la vida útil de baterías de litio-metal de alta densidad.

MadridNIMS y SoftBank Corp. han desarrollado un nuevo modelo capaz de predecir la duración de las baterías de litio-metal de alta energía mediante avanzadas técnicas de aprendizaje automático. Al analizar una gran cantidad de datos sobre cómo se cargan, descargan y relajan estas baterías, el modelo proporciona estimaciones precisas de la vida útil de las baterías sin necesidad de comprender en detalle su desgaste. Este avance puede hacer que los dispositivos que utilizan baterías de litio-metal sean más seguros y confiables. Estas baterías tienen el potencial de almacenar más energía que las baterías de iones de litio actuales, lo que podría mejorar muchas tecnologías, incluyendo:

• Drones
• Vehículos eléctricos
• Sistemas de almacenamiento de electricidad para el hogar

El Centro de Desarrollo de Tecnologías Avanzadas NIMS-SoftBank fue fundado en 2018. Desde entonces, ha trabajado en la creación de baterías recargables de alta energía para estaciones base de teléfonos móviles, dispositivos IoT y plataformas de gran altitud. Uno de sus mayores logros es una batería de litio-metal con una densidad energética superior a 300 Wh/kg, que puede durar más de 200 ciclos de carga/descarga.

Desarrollar modelos precisos para predecir la vida útil de las baterías de litio-metal ha sido difícil. Estas baterías envejecen de maneras más complejas que las de iones de litio, y no entendemos completamente por qué. Esta complejidad dificulta predecir su rendimiento. Para abordar este problema, los científicos fabricaron numerosas baterías de litio-metal de alta energía con ánodos de litio-metal y cátodos ricos en níquel.

El equipo empleó aprendizaje automático avanzado en los datos de carga y descarga para desarrollar un modelo que predice la duración de estas baterías. Este modelo es singular porque realiza predicciones basándose únicamente en los datos disponibles, sin recurrir a suposiciones previas sobre el desgaste de las baterías.

Lea también:

Hoy · 11:32

Conexiones cerebrales y creencias políticas: un estudio detallado

Este modelo tiene muchos efectos significativos. Puede hacer que las baterías de metal-litio sean más confiables y seguras. Además, facilita la creación más rápida de nuevos materiales de ánodo de metal-litio. Para las empresas que fabrican estas baterías, poder predecir con precisión la vida útil de las baterías significa que pueden mejorar sus productos de manera más eficiente durante la investigación y el desarrollo. Esto puede ahorrar tanto dinero como tiempo.

Las predicciones mejoradas en seguridad y confiabilidad probablemente aumentarán la confianza de los inversores. Esto podría resultar en más financiamiento y una adopción más rápida de las baterías de litio-metal en la tecnología de consumo e industrial. Comprender mejor los mecanismos de degradación a través de este enfoque basado en datos puede eventualmente llevar a baterías de mayor duración y mejor rendimiento en el futuro.

El uso del aprendizaje automático para crear modelos predictivos podría ser esencial para mejorar el rendimiento de las baterías de litio-metal. Este avance podría conducir a soluciones de almacenamiento de energía más eficientes, beneficiando a diversas industrias, como la automotriz y los sistemas de energía renovable.