Baterías de iones de litio más duraderas gracias a la IA
Fraunhofer HHI lanza el proyecto KI2L
El Fraunhofer Heinrich-Hertz-Institut (HHI) coordina el nuevo proyecto KI2L (detección en tiempo real de procesos relevantes para la salud en baterías de iones de litio mediante caracterización asistida por IA para el desarrollo eficiente de recursos del potencial de uso posterior). Como parte del proyecto, los investigadores están desarrollando una caracterización de las baterías de iones de litio asistida por IA. Gracias a las nuevas posibilidades de caracterización, los procesos de desgaste críticos para la seguridad dentro de la celda de la batería se detectan en una fase temprana, de modo que se pueden evitar daños en todo el compuesto. De este modo, más baterías de iones de litio pueden utilizarse con éxito como componentes de segunda vida.
Caracterización de baterías de iones de litio con ayuda de IA
© shutterstock/Illus_man
KI2L comenzó en enero de 2023 y durará tres años, hasta enero de 2026. El proyecto está financiado por el Ministerio Federal de Educación e Investigación (BMBF) con dos millones de euros como parte de la iniciativa del BMBF "Battery 2020 Transfer". Fraunhofer HHI recibirá 450.000 euros de la cantidad total.
Reducir significativamente la huella deCO2 de las baterías de iones de litio exige aprovecharlas al máximo como baterías de segunda vida. Para garantizar que el mayor número posible de celdas de batería desechadas puedan utilizarse en los denominados "escenarios de reutilización", las empresas necesitan métodos de caracterización rápida y un apoyo inteligente a la toma de decisiones sobre potenciales de reutilización concretos. Además, la industria necesita pasos automatizados en el proceso de desmontaje para poder sustituir eficazmente los componentes de almacenamiento defectuosos.
En la actualidad, los expertos registran el estado de las baterías de iones de litio comprobando la capacidad de descarga en condiciones específicas, como la temperatura de la batería y la corriente de descarga. Sin embargo, a medida que las baterías envejecen, este procedimiento es propenso a errores y requiere mucho tiempo.
El equipo del proyecto KI2L se ha propuesto mejorar el proceso de registro del estado de las baterías con una caracterización asistida por IA. En una primera fase, los investigadores analizarán celdas de baterías de iones de litio nuevas y preenvejecidas, equipándolas con un sistema óptico de medición de la temperatura y del campo de deformación a nivel de módulo. El siguiente paso consiste en inducir un desgaste selectivo en las baterías y, a continuación, movilizar sensores de estado para registrar los cambios con precisión en tiempo real. Los datos así obtenidos se almacenan en una base de datos de procesos de envejecimiento y se aplican para entrenar redes neuronales. Una IA entrenada de este modo puede entonces identificar células irreversiblemente envejecidas en operación real de almacenamiento y eliminarlas mediante procesamiento láser sin causar daños generales a la batería. En consecuencia, el ciclo de vida de las baterías puede prolongarse sustancialmente.
Junto con TESVOLT AG, el grupo "Tecnología de sensores de almacenamiento de energía" de Fraunhofer HHI fabricará los módulos integrados en los sensores. Además, TESVOLT AG desarrollará un sistema de gestión de baterías que formará la plataforma que integrará la IA. En el Centro de Investigación de Tecnologías de Almacenamiento de Energía de TU Clausthal, los científicos crearán perfiles de carga para probar sistemáticamente los módulos fabricados hasta el final de su vida útil. Los datos procesados se pondrán a disposición de los expertos en IA de Intuitive.ai GmbH y EoT Labs GmbH. Sobre esta base, se programará la IA al tiempo que se crea un gemelo digital. El Instituto de Tecnología de Soldadura y Procesos de Fabricación por Separación de TU Clausthal y AIM Systems GmbH se encargan del procesamiento por láser y la automatización de la extracción de células defectuosas.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Más noticias del departamento ciencias
![Visualización de la catálisis de la [Fe]-hidrogenasa mediante espectroscopia de resonancia magnética nuclear potenciada con parahidrógeno](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
