Reinforcement learning otimiza controle de voltagem em tempo real

São Paulo — InkDesign News —

A aplicação de machine learning está revolucionando a eficiência de células a combustível, como demonstrado pela pesquisa recente do Massachusetts Institute of Technology (MIT), que utiliza algoritmos de inteligência artificial para otimizar a operação de células a combustível de metanol direto.

Contexto da pesquisa

As células a combustível convertam energia química em elétrica através de reações químicas, evitando a combustão. Apesar de seu potencial em eletrônica e veículos, as células a combustível de metanol direto (DMFCs) enfrentam uma degradação significativa em seu desempenho ao longo do tempo, devido à ineficácia dos materiais catalíticos.

Método proposto

Os pesquisadores desenvolveram o Alpha-Fuel-Cell, uma ferramenta baseada em machine learning capaz de monitorar e ajustar automaticamente a voltagem das células. Este sistema utiliza uma arquitetura de aprendizado por reforço, composta por um ator e um crítico, onde o ator controla as ações com base na condição do combustível e o crítico avalia essas ações. O arquétipo foi projetado para analisar dados em tempo real, utilizando uma rede neural convolucional (CNN) para o ramo de estado e uma rede neural feedforward no ramo de ação.

(“This model is trained to predict future outputs based on past states and current inputs.”)

— Ju Li, Autor Sênior, MIT

Resultados e impacto

A aplicação do Alpha-Fuel-Cell demonstrou um aumento de 153% na potência média produzida em comparação com abordagens manuais convencionais. O sistema foi testado em condições reais usando um conjunto de dados de aproximadamente 1.000 trajetórias de voltagem-tempo coletadas em um experimento de duas semanas. A pesquisa não utilizou simuladores, o que representa um avanço significativo na implementação de modelos de AI em dispositivos energéticos.

(“Our controller is a real-time, goal-adaptive architecture that learns directly from experimental data.”)

— Ju Li, Autor Sênior, MIT

Os próximos passos incluem a escalabilidade do método para aplicações em sistemas maiores e em outros dispositivos de energia, como baterias e eletrólise de CO₂. A inovação pode ajudar a estender a vida útil das DMFCs sem a necessidade de equipamentos dispendiosos.

Fonte: (TechXplore – Machine Learning & AI)