Un equipo de investigadores ha desarrollado un método híbrido que combina modelos físicos con aprendizaje automático para inferir los parámetros clave de degradación en baterías de iones de litio. Este enfoque permite identificar las causas subyacentes del deterioro de la capacidad de la batería de manera más precisa y eficiente que los métodos tradicionales. La capacidad de comprender y predecir la degradación es crucial para optimizar el diseño, la gestión y la vida útil de estas baterías, que son fundamentales en vehículos eléctricos y dispositivos electrónicos.

El estudio aborda la complejidad de la degradación de las baterías de iones de litio, que involucra múltiples mecanismos interconectados como el crecimiento del interfaz de electrolito sólido (SEI), la pérdida de material activo y la fractura de partículas. Tradicionalmente, la identificación de estos parámetros requiere experimentos destructivos o análisis complejos que no son adecuados para la monitorización en tiempo real. La nueva metodología utiliza un modelo de batería basado en física para simular el comportamiento, y luego emplea técnicas de aprendizaje automático para ajustar los parámetros del modelo a datos experimentales de degradación, logrando una inferencia inversa de los mecanismos dominantes.

Este avance podría tener un impacto significativo en la industria de las baterías. Al poder diagnosticar con mayor precisión por qué una batería se degrada y a qué ritmo, los fabricantes podrían diseñar baterías más duraderas y eficientes. Además, esta técnica podría utilizarse para desarrollar sistemas de gestión de baterías más inteligentes que optimicen los ciclos de carga y descarga para prolongar la vida útil, o para predecir fallos antes de que ocurran, mejorando la seguridad y fiabilidad de los dispositivos y vehículos que las emplean.