La red neuronal informada por física aumenta significativamente el diagnóstico de la batería
Los investigadores de baterías de NREL están recurriendo a modelos de inteligencia artificial de vanguardia para optimizar el rendimiento de la batería para una nueva generación de almacenamiento de energía. Crédito: Werner Slocum, Nrel
Los sistemas de energía resistente dependen de baterías confiables. Las baterías de iones de litio (iones de litio) que impulsan nuestro mundo deben soportar la cepa constante del tiempo, los ciclos de carga y las condiciones ambientales que las desgasta gradualmente a través de la degradación.
Comprender la salud de una batería puede ayudar a los fabricantes, investigadores y consumidores a optimizar su rendimiento de por vida. Sin embargo, diagnosticar el estado de salud de una batería no es una tarea fácil, ya que cada celda es un sistema complejo de reacciones químicas y cambios físicos que los modelos de evaluación estándar luchan para capturar con velocidad y precisión.
Los investigadores del Laboratorio Nacional de Energía Renovable (NREL) han desarrollado y demostrado un modelo de red neuronal informada por física (PINN) que puede predecir la salud de la batería casi 1,000 veces más rápido que los modelos tradicionales.
“La vida útil de la batería de iones de litio y la dinámica de envejecimiento varían significativamente con la química, las condiciones de funcionamiento, las demandas de ciclismo, el diseño de electrodos e historial operativo, lo que dificulta el manejo, el diseño y el mantenimiento óptimos”, dijo Kandler Smith, quien dirige modelado electroquímico e investigaciones de ciencias de datos en NREL. “Es especialmente difícil entender los mecanismos de degradación física de una batería durante el uso sin abrirla. Necesitamos métodos confiables para ver el estado interno de las baterías de una manera no destructiva”.
El PINN de NREL reemplaza el modelo tradicional de física de baterías que intensiva en recursos con un poderoso enfoque de inteligencia artificial que imita las neuronas interconectadas de nuestros cerebros para analizar conjuntos de datos complejos no lineales. Este proceso de aprendizaje profundo puede mejorar los diagnósticos de salud de la batería al cuantificar los mecanismos de degradación física y allanar el camino para enfoques más eficientes y escalables para controlar el envejecimiento de la batería.
Modelos y limitaciones tradicionales
Los investigadores de NREL han creado una amplia gama de modelos de vida útil de la batería para diagnosticar la salud de la batería, predecir la degradación de la batería y optimizar los diseños de baterías. Durante años, el equipo ha estado a la vanguardia de las técnicas de aprendizaje automático basados en la física para optimizar el modelado predictivo para la investigación avanzada de baterías.
Dos de estos modelos, el modelo de partículas individuales (SPM) y el modelo Pseudo-2D (P2D), son ampliamente utilizados y aceptados enfoques para proporcionar una ventana sobre cómo los parámetros de salud internos de una batería, como el inventario y la cinética de los electrodos, el inventario de iones de litio y las rutas de transporte de LI, evolucionan con el tiempo. Sin embargo, directamente usando estos modelos es un proceso intensivo que requiere cantidades masivas de cálculos y limita su capacidad para ofrecer diagnósticos rápidos.
“En lugar de un modelo de física, propusimos un modelo sustituto de PINN para separar las propiedades internas de una batería de su voltaje de salida”, dijo el investigador de ciencias de NREL Computational Malik Hassanaly, quien colaboró estrechamente con el equipo de investigación de la batería. “Este enfoque reduce drásticamente el tiempo y los recursos computacionales requeridos, lo que permite a los investigadores diagnosticar rápidamente la degradación de la batería y proporcionar comentarios en tiempo real sobre la salud de la batería”.
El sustituto de Pinn desarrollado por NREL combina el poder predictivo de la inteligencia artificial con el rigor del modelado basado en la física. El estudio de dos partes resultante publicado en el Journal of Energy Storage demuestra cómo los investigadores capacitaron y probaron el sustituto de PinN utilizando modelos SPM y P2D convencionales. Este enfoque multifacético permitió a los investigadores de NREL entrenar el sustituto de PinN en una amplia gama de propiedades internas de la batería. El modelo de código abierto resultante ofrece información crítica sobre los cambios que ocurren durante el envejecimiento de la batería, lo que ayuda a estimar rápidamente cuánto tiempo podría durar una batería en una configuración diferente.
Lo que hace que este desarrollo sea especialmente revolucionario en la investigación de la batería es la integración de los principios informados por física en las redes neuronales. Las redes neuronales tradicionales son modelos basados en datos que sobresalen en el reconocimiento de patrones, pero a menudo carecen de la capacidad de hacer cumplir las leyes físicas, que son cruciales para simular con precisión el comportamiento de la batería.
Sin embargo, los PINN están diseñados para comprender y seguir estas leyes físicas integrándolas directamente en el procedimiento de entrenamiento del modelo, lo que permite predecir los parámetros de la batería con un nivel de rigor científico previamente lograble solo por modelos complejos e intensivos en el tiempo. Con el sustituto de PinN, las técnicas típicamente limitadas por los altos requisitos de recursos ahora se pueden aplicar a gran escala, lo que lleva las ideas en tiempo real al alcance de la batería al alcance.
Aplicaciones y próximos pasos
El éxito de Pinn Subrogate de NREL ofrece amplias implicaciones. Para el diagnóstico de baterías, el sustituto de PinN puede proporcionar predicciones rápidas de estado de salud, lo que permite una toma de decisiones más rápida en las aplicaciones de la batería. Al reducir drásticamente las barreras computacionales para el diagnóstico de batería, el modelo sustituto de PINN allana el camino para la gestión generalizada, escalable y eficiente de almacenamiento de energía, lo que aumenta la energía asegura que la energía esté disponible cuando y dónde se necesite.
“Este enfoque desbloquea nuevas capacidades en el diagnóstico de baterías, allanando el camino para el diagnóstico a bordo de las baterías en uso”, dijo Smith. “Esto significa que las baterías del futuro pueden incluir sistemas para extender su vida útil al identificar señales de degradación y adaptar los límites de carga rápida con la edad”.
Actualmente, los investigadores están trabajando para hacer la transición del sustituto de PinN de simulaciones controladas a la validación de datos del trabajo real, utilizando baterías cicladas en los laboratorios de NREL. Al cerrar esta brecha, los investigadores esperan implementar diagnósticos basados en PINN en una amplia gama de sistemas de baterías, mejorando el monitoreo del rendimiento de la batería y la extensión de la vida útil.
La investigación futura se centrará en refinar el modelo PINN para manejar problemas altamente dimensionales, lo que le permite predecir una gama más amplia de parámetros de batería interna con mayor precisión. Esto significa crear modelos que pueden responder a diversas cargas de corriente y escalar efectivamente a futuros diseños de baterías y patrones de uso.
Más información: Malik Hassanaly et al, Pinn Subrogate de modelos de baterías de iones de litio para la inferencia de parámetros, Parte I: implementación y jerarquías multifidelidad para el modelo de partículas individuales, Journal of Energy Storage (2024). Doi: 10.1016/j.est.2024.113103
Malik Hassanaly et al, Pinn Subrogate de modelos de batería de iones de litio para la inferencia de parámetros, Parte II: regularización y aplicación del modelo pseudo-2D, Journal of Energy Storage (2024). Doi: 10.1016/j.est.2024.113104
Proporcionado por el Laboratorio Nacional de Energía Renovable
Cita: la red neuronal informada por física aumenta significativamente el diagnóstico de baterías (2025, 10 de junio) Consultado el 10 de junio de 2025 de https://techxplore.com/news/2025-06-physics-neural-network-significante-boosts.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
