Immaginate una veggente che, il giorno della vostra nascita, predice ai vostri genitori quanto a lungo vivrete. Un'esperienza simile è possibile per i chimici che lavorano con le batterie, i quali utilizzano nuovi modelli computazionali per calcolare la durata delle batterie basandosi anche su un solo ciclo di dati sperimentali.

In un nuovo studio, i ricercatori dell'Argonne National Laboratory del Dipartimento dell'Energia degli Stati Uniti (DOE) hanno sfruttato la potenza dell'apprendimento automatico per prevedere la durata di vita di un'ampia gamma di batterie con diverse composizioni chimiche. Utilizzando i dati sperimentali raccolti ad Argonne da un set di 300 batterie rappresentative di sei diverse composizioni chimiche, gli scienziati sono in grado di determinare con precisione per quanto tempo le diverse batterie continueranno a funzionare.

I ricercatori di Argonne hanno utilizzato modelli di apprendimento automatico per prevedere la durata del ciclo di vita delle batterie per un'ampia gamma di diverse composizioni chimiche. (Immagine di Shutterstock/Sealstep.)

In un algoritmo di apprendimento automatico, gli scienziati addestrano un programma informatico a trarre inferenze da un insieme iniziale di dati, e poi utilizzano quanto appreso da tale addestramento per prendere decisioni su un altro insieme di dati.

"Per ogni tipo di applicazione delle batterie, dai telefoni cellulari ai veicoli elettrici fino ai sistemi di accumulo per la rete elettrica, la durata della batteria è di fondamentale importanza per ogni consumatore", ha affermato Noah Paulson, scienziato computazionale di Argonne e autore dello studio. "Sottoporre una batteria a migliaia di cicli di carica e scarica fino al suo guasto può richiedere anni; il nostro metodo crea una sorta di laboratorio di prova computazionale in cui possiamo stabilire rapidamente le prestazioni di diverse batterie."

"Al momento, l'unico modo per valutare come si degrada la capacità di una batteria è quello di sottoporla a cicli di carica e scarica", ha aggiunto Susan "Sue" Babinec, elettrochimica dell'Argonne National Laboratory e coautrice dello studio. "È un processo molto costoso e richiede molto tempo."

Secondo Paulson, stabilire la durata di una batteria può essere complicato. "La realtà è che le batterie non durano in eterno e la loro durata dipende dal modo in cui le utilizziamo, nonché dalla loro progettazione e dalla loro composizione chimica", ha affermato. "Fino ad ora, non c'era un modo efficace per sapere quanto durerà una batteria. Le persone vorranno sapere per quanto tempo dovranno spendere soldi per una nuova batteria."

Un aspetto peculiare dello studio è che si è basato su un'ampia attività sperimentale condotta presso l'Argonne National Laboratory su diversi materiali catodici per batterie, in particolare sul catodo brevettato a base di nichel-manganese-cobalto (NMC) dell'Argonne. "Avevamo batterie che rappresentavano diverse composizioni chimiche, con diverse modalità di degrado e guasto", ha affermato Paulson. "Il valore di questo studio risiede nel fatto che ci ha fornito segnali caratteristici del comportamento di diverse batterie."

Ulteriori studi in questo campo potrebbero guidare il futuro delle batterie agli ioni di litio, ha affermato Paulson. "Una delle cose che siamo in grado di fare è addestrare l'algoritmo su una composizione chimica nota e fargli fare previsioni su una composizione chimica sconosciuta", ha spiegato. "In sostanza, l'algoritmo potrebbe aiutarci a individuare nuove e migliori composizioni chimiche che offrano una maggiore durata."

In questo modo, Paulson ritiene che l'algoritmo di apprendimento automatico potrebbe accelerare lo sviluppo e la sperimentazione dei materiali per batterie. "Supponiamo di avere un nuovo materiale e di sottoporlo a diversi cicli di carica/scarica. Potremmo usare il nostro algoritmo per prevederne la durata e quindi decidere se continuare a testarlo sperimentalmente o meno."

"Se sei un ricercatore in laboratorio, puoi scoprire e testare molti più materiali in meno tempo perché hai un modo più rapido per valutarli", ha aggiunto Babinec.

Un documento basato sullo studio, “L'ingegneria delle caratteristiche per l'apprendimento automatico ha permesso di prevedere in anticipo la durata della batteria." è apparso nell'edizione online del 25 febbraio del Journal of Power Sources.

Oltre a Paulson e Babinec, tra gli autori dell'articolo figurano Joseph Kubal, Logan Ward, Saurabh Saxena e Wenquan Lu dell'Argonne National Laboratory.

Lo studio è stato finanziato da una sovvenzione per la ricerca e lo sviluppo indirizzata dal laboratorio di Argonne (Argonne Laboratory-Directed Research and Development, LDRD).