Uma equipe de cientistas liderada pelo Dr. Gareth Conduit do Instituto de Pesquisa e Engenharia de Materiais da A * STAR e da Universidade Tecnológica de Nanyang usou IA para prever os estados da bateria do veículo elétrico e para fornecer uma previsão "precisa" do estado das células de íon-lítio responsável e saúde.
De acordo com o artigo publicado, a tecnologia do modelo de aprendizado de máquina baseado em dados pode permitir que os fabricantes incorporem o software diretamente em seus dispositivos de bateria para melhorar seu ciclo de vida em até 6% em relação aos modelos de bateria típicos que calculam mal a vida em cerca de 10%.
O desempenho, custo e segurança das baterias são os fatores que determinam o desenvolvimento bem-sucedido de veículos elétricos (EVs). A partir de agora, as baterias de íon de lítio (Li-ion) são preferidas a outras baterias devido ao seu ciclo de vida e densidade de energia razoável. No entanto, se mais pesquisas sobre baterias de íon-lítio forem realizadas, isso levará a uma dinâmica de bateria mais complicada, onde a segurança e a eficiência se tornarão uma questão de preocupação. Por isso, um avançado sistema de gerenciamento de bateria que possa otimizar e monitorar a segurança é fundamental para a eletrificação de veículos.
Algoritmos de aprendizado de máquina foram implementados para prever o estado de saúde, o estado de carga e a vida útil restante. Tem havido um foco em modelos orientados por dados e estes foram combinados com técnicas de aprendizado de máquina. Esses modelos parecem ser mais poderosos e podem prever sem o conhecimento a priori do sistema, além de alcançar alta precisão com baixo custo computacional. Com os custos reduzidos dos dispositivos de armazenamento de dados e o avanço das tecnologias computacionais, o aprendizado de máquina baseado em dados parece ser a abordagem mais promissora para a modelagem avançada de bateria no futuro.
O objetivo do estudo é gerar um efeito transformador na indústria de baterias e destacar como o aprendizado de máquina pode prever com precisão e melhorar a saúde e a vida útil de uma bateria. Isso permitirá que os fabricantes incorporem o software diretamente em seus dispositivos de bateria e melhorem seu serviço durante a vida para o consumidor.