Una tecnología de baterías más inteligente sabe si su vehículo eléctrico llegará a casa
Un modelo de IA ayuda a determinar si las baterías de los coches pueden completar las tareas
Anuncios
Los sistemas actuales de gestión de la batería pueden informar de que un coche está cargado al 40%, pero los conductores tienen que adivinar si pueden recorrer 100 kilómetros en cuesta con la calefacción en marcha. Los ingenieros de la Universidad de California en Riverside quieren acabar con las conjeturas.
Han desarrollado una nueva métrica de diagnóstico llamada Estado de Misión, o SOM, diseñada para responder a una pregunta práctica: ¿Puede esta batería, en su estado actual, alimentar con seguridad y éxito una tarea específica? SOM utiliza tanto datos de la batería como factores ambientales, como patrones de tráfico, cambios de altitud o temperatura ambiente, para generar predicciones específicas de la tarea en tiempo real.
"SOM llena ese vacío", explica Mihri Ozkan, profesor de ingeniería de la UCR que ha colaborado en el desarrollo del sistema. "Es una medida que combina datos y física para predecir si la batería puede completar una tarea prevista en condiciones reales".
Los detalles del sistema se han publicado en la revista iScience. Lo que distingue a SOM es su enfoque híbrido. A diferencia de las ecuaciones físicas rígidas que no pueden adaptarse a escenarios cambiantes, o de los modelos de aprendizaje automático que generan resultados sin explicarlos, han construido un sistema que combina los puntos fuertes de ambos.
El modelo aprende de cómo se cargan, descargan y calientan las baterías a lo largo del tiempo, pero también respeta las leyes de la electroquímica y la termodinámica. Esta doble inteligencia le permite hacer predicciones fiables incluso en situaciones de estrés, como un descenso repentino de la temperatura o una subida empinada.
"Combinándolos, conseguimos lo mejor de ambos mundos: un modelo que aprende de los datos con flexibilidad, pero que siempre se basa en la realidad física", explica Cengiz Ozkan, profesor de ingeniería de la UCR que codirigió la investigación. "Esto hace que las predicciones no sólo sean más precisas, sino también más fiables".
Para probar su marco, el equipo utilizó conjuntos de datos de baterías disponibles públicamente de la NASA y la Universidad de Oxford. Contenían patrones de uso reales, como ciclos de carga y descarga, cambios de temperatura, datos de corriente y tensión a lo largo del tiempo y tendencias de rendimiento a largo plazo.
En comparación con los métodos tradicionales de diagnóstico de baterías, el modelo redujo significativamente los errores de predicción en 0,018 voltios para el voltaje, 1,37 grados centígrados para la temperatura y 2,42% para el estado de carga.
En lugar de una estimación básica del "porcentaje de carga", SOM ofrece un resultado más inteligente y prospectivo. Puede indicar a un conductor que puede completar una ruta planificada, pero que puede necesitar recargar a mitad de camino, o que un vuelo de dron no es factible en determinadas condiciones de viento.
"Transforma los datos abstractos de la batería en decisiones prácticas que mejoran la seguridad, la fiabilidad y la planificación de vehículos, drones y cualquier aplicación en la que la energía deba ajustarse a una tarea real", explica Mihri Ozkan.
El modelo aún está en fase de desarrollo.
"Ahora mismo, la principal limitación es la complejidad computacional", dijo. "El marco exige más potencia de procesamiento de la que suelen ofrecer los ligeros sistemas integrados de gestión de baterías actuales".
Aun así, los investigadores son optimistas. Con una mayor optimización, esperan que el modelo pueda utilizarse pronto en vehículos eléctricos, sistemas aéreos no tripulados y aplicaciones de almacenamiento en red, entre otros.
De cara al futuro, el equipo planea probar SOM en entornos de campo y ampliar sus capacidades para trabajar con otros tipos de baterías, como las de iones de sodio, las de estado sólido o las de flujo.
"Nuestro método está diseñado para ser generalizable", afirma Cengiz Ozkan. "La misma metodología híbrida puede ofrecer predicciones conscientes de la misión que mejoren la fiabilidad, la seguridad y la eficiencia en una amplia gama de tecnologías energéticas, desde automóviles y drones hasta sistemas de baterías domésticas e incluso misiones espaciales."
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Cengiz S. Ozkan, Mihrimah Ozkan; State of mission: Battery management with neural networks and electrochemical AI; iScience; 2025
Más noticias del departamento ciencias
