El transporte eléctrico enfrenta un reto crítico, la degradación acelerada de las baterías provocada por la carga rápida. Investigadores de la Universidad Tecnológica de Chalmers en Suecia han presentado un sistema basado en inteligencia artificial que extiende la vida útil de estas baterías en casi un 23 por ciento. Lo más destacado de este avance, publicado recientemente, es que logra esta mejora sin sacrificar la velocidad de carga, manteniendo el proceso en unos 24 minutos de media.
El equipo, liderado por Meng Yuan y el profesor Changfu Zou, utilizó una técnica de aprendizaje por refuerzo profundo para adaptar la corriente de forma dinámica según el estado de salud de la celda. Este método aborda el problema del crecimiento de depósitos de litio, un proceso donde el metal se acumula de forma dañina en los electrodos durante la carga rápida. Al integrar modelos físicos con algoritmos inteligentes, la investigación abre la puerta a vehículos eléctricos con mayor valor de reventa y menor riesgo de garantía, utilizando actualizaciones de software en los sistemas de gestión de baterías actuales sin necesidad de sensores adicionales.
¿En qué consiste esta nueva estrategia de carga con IA?
El método tradicional utilizado en la industria para cargar dispositivos se basa en protocolos fijos. Estos sistemas aplican una corriente y un voltaje constantes sin tener en cuenta si la batería es nueva o si ya tiene varios años de uso. El problema es que, como explica el equipo de investigación en su estudio publicado, las baterías cambian con el tiempo, pero las estrategias de carga convencionales no lo hacen.
Para solucionar esto, los investigadores han recurrido al aprendizaje por refuerzo (Reinforcement Learning), un tipo de inteligencia artificial donde el algoritmo aprende interactuando con su entorno. En este caso, el entorno es la propia batería. El sistema es recompensado cuando logra mantener tiempos de carga cortos mientras minimiza los mecanismos de degradación dañinos.
El núcleo de esta tecnología es un algoritmo llamado TD3 (Twin Delayed Deep Deterministic Policy Gradient). Esta IA ajusta la corriente de carga de forma dinámica, basándose en lo que los expertos denominan el Estado de Salud (SoH) de la batería. El sistema monitoriza cuánta capacidad original conserva la celda (siendo 100 por ciento una batería nueva) y adapta el voltaje de corte para evitar daños internos graves.
Uno de los mayores enemigos de la durabilidad es la deposición de litio (lithium plating). Al cargar rápidamente con corrientes altas, el litio metálico puede acumularse en la superficie del electrodo en lugar de alojarse correctamente dentro de su estructura. Esto no solo reduce la capacidad total, sino que aumenta la resistencia interna y, en situaciones extremas, puede comprometer la seguridad del vehículo.
Por qué es importante para el usuario y la industria
La capacidad de extender la vida útil de un componente tan costoso tiene implicaciones directas en el bolsillo del consumidor. Un incremento del 22,9 por ciento en la longevidad significa que el vehículo mantendrá su autonomía por mucho más tiempo. Además, esto mejora el valor residual del coche en el mercado de segunda mano, ya que la salud de la batería es el factor determinante en su precio.
Para los fabricantes, este avance supone una reducción significativa de los riesgos asociados a las garantías. Si las baterías duran más gracias a un mejor control por software, las marcas pueden ofrecer mejores condiciones sin elevar sus costes. También tiene un impacto ambiental positivo, al optimizar el uso de materiales críticos como el cobalto y el litio, reduciendo la necesidad de fabricar celdas de reemplazo prematuramente.
A continuación, se detallan algunos de los beneficios observados frente al método estándar:
- Vida útil: Se alcanzan los 703 ciclos completos frente a los 572 del método convencional.
- Tiempo de carga: Se mantiene en una media de 24,12 minutos, prácticamente idéntica a la actual.
- Implementación: No requiere hardware nuevo, ya que puede ejecutarse mediante actualizaciones de software en el BMS (Sistema de Gestión de Batería).
El equipo de investigación y los datos técnicos
El trabajo ha sido desarrollado en el Departamento de Ingeniería Eléctrica de la Universidad Tecnológica de Chalmers, en Gotemburgo. El investigador Meng Yuan y el profesor Changfu Zou han liderado los experimentos utilizando un simulador de alta fidelidad llamado PyBaMM para validar los resultados en condiciones realistas.
Un dato interesante es que el entrenamiento de este modelo de IA no requirió de superordenadores inaccesibles. Se realizó en un ordenador de escritorio convencional equipado con una tarjeta gráfica NVIDIA RTX 3060, completando el proceso en unas 22 horas. Esto demuestra que la optimización de sistemas complejos mediante inteligencia artificial es cada vez más accesible para su aplicación práctica en la industria.
Para lograr la precisión necesaria, los científicos crearon un mapa que vincula el voltaje de carga con la salud de la batería. Este mapa se obtuvo inicialmente en laboratorios utilizando celdas de tres electrodos, que permiten medir procesos internos que normalmente son invisibles en las baterías comerciales. Esta información se transfirió después al algoritmo de IA para que supiera exactamente cuándo frenar la corriente para proteger la celda.
¿Qué significa esto para el futuro?
Lo que viene ahora es la fase de pruebas en entornos físicos fuera de la simulación. El equipo está explorando el uso de técnicas como el aprendizaje por transferencia (transfer learning). Esta tecnología permitiría que la IA entrenada para un tipo de batería pueda adaptarse rápidamente a otras químicas o tamaños sin tener que empezar el proceso de aprendizaje desde cero.
Este enfoque centrado en la salud de la batería representa un cambio en cómo entendemos la gestión energética de los vehículos. Ya no se trata solo de empujar la máxima energía posible en el menor tiempo, sino de hacerlo de forma inteligente y adaptativa. En un futuro cercano, es probable que la autonomía y duración de nuestro coche no dependa solo de sus materiales, sino de lo bien que el software sepa cuidar de su corazón electroquímico.
Fuentes: Estudio original · Chalmers University of Technology
