O uso de machine learning (aprendizado de máquina) em pesquisas científicas está revolucionando a forma como analisamos e diagnosticamos sistemas complexos, como é o caso das baterias de íon-lítio, essenciais para diversas aplicações energéticas.
Contexto da pesquisa
Pesquisadores do National Renewable Energy Laboratory (NREL) dos EUA estão implementando um modelo de rede neural informado pela física (PINN) para otimizar o desempenho das baterias e diagnosticar sua saúde de maneira mais eficiente.
Método proposto
A abordagem PINN combina a capacidade preditiva da inteligência artificial com rigorosas técnicas de modelagem física. O modelo é capaz de prever a saúde da bateria quase 1.000 vezes mais rápido do que os modelos tradicionais. Isso é crucial, uma vez que a dinâmica de envelhecimento da bateria varia significativamente em função de vários fatores, como química e condições de operação.
“É especialmente difícil entender os mecanismos de degradação física de uma bateria em uso sem abri-la. Precisamos de métodos confiáveis para verificar o estado interno das baterias de uma maneira não destrutiva.”
(“It’s especially difficult to understand the physical degradation mechanisms of a battery during use without opening it up. We need reliable methods to check in on batteries’ internal state in a nondestructive way.”)— Kandler Smith, Líder de pesquisa, NREL
Resultados e impacto
Os pesquisadores desenvolveram uma vasta gama de modelos de vida útil de baterias, mas o modelo PINN se destaca por reduzir drasticamente o tempo e os recursos computacionais necessários. Com isso, oferece previsões rápidas sobre o estado de saúde das baterias, o que pode acelerar a tomada de decisões em aplicações diversas.
“Essa abordagem desbloqueia novas capacidades em diagnósticos de baterias, abrindo caminho para diagnósticos a bordo em uso.”
(“This approach unlocks new capabilities in battery diagnostics, paving the way for onboard diagnostics of batteries in use.”)— Kandler Smith, Líder de pesquisa, NREL
O modelo PINN desenvolvido pelo NREL pode, em breve, ser aplicado em diagnósticos em tempo real, permitindo uma gestão mais eficaz do armazenamento de energia. Os próximos passos envolvem validação do modelo com dados do mundo real, utilizando baterias em ciclos dentro dos laboratórios do NREL, visando extender a vida útil das baterias e melhorar seu monitoramento de desempenho.
Fonte: (TechXplore – Machine Learning & AI)
