Científicos desarrollan una IA capaz de anticipar el rendimiento real de tu coche eléctrico

La gran ventaja de la IA, tal y como lo conocemos, es que permite procesar ingentes cantidades de datos en apenas un instante. Si eso lo aplicamos a la gestión de baterías, nos podría ayudar a predecir de mejor manera cómo se comporta nuestro coche eléctrico y a gestionarlas de la mejor manera. Es precisamente en lo que están trabajando ingenieros de la Universidad de California en Riverside (UCR), que han desarrollado una nueva herramienta diseñada para predecir mejor la autonomía restante en un vehículo eléctrico.

En un artículo publicado en la revista iScience, estos investigadores proponen un nuevo enfoque para gestionar baterías –no solo en coches eléctricos– mediante modelos híbridos que combinan las redes neuronales y las ecuaciones diferenciales basadas en física. De esta forma, toma lo mejor de ambos mundos: la capacidad predictiva de las primeras y la robustez y la mejor forma de interpretar los datos de los modelos físicos.

Gracias a este enfoque híbrido, los sistemas actuales de gestión de baterías (BMS) podrían estimar mejor, por ejemplo, cuando es el mejor momento para cargarse o descargarse, optimizar su vida útil, prevenir daños y mejorar su rendimiento. Para ello, han ideado una nueva herramienta de diagnóstico, llamada Estado de Misión (SOM). Esta tecnología, más allá de decirte el nivel de carga de la batería, es capaz de interpretar si el vehículo puede completar un viaje específico teniendo en cuenta factores adicionales: el tráfico, la temperatura, la altitud, el estilo de conducción…

«Es una medida consciente de la misión que combina datos y física para predecir si la batería puede completar una tarea planificada en condiciones del mundo real», asegura Mihri Ozkan, profesor de ingeniería de la UCR. Frente a los sistemas actuales de gestión de baterías, el SOM de la universidad norteamericana combina la adaptabilidad del aprendizaje automático con la fiabilidad de los modelos físicos, como la electroquímica y la termodinámica. «Al combinarlos, obtenemos lo mejor de ambos mundos: un modelo que aprende de forma flexible de los datos pero que siempre se mantiene anclado en la realidad física».

Este sistema aprende del comportamiento de las baterías con el paso del tiempo y analiza situaciones externas y que pueden enfrentar imprevistos en la ruta, como las subidas de montaña, las olas de frío repentinas… El sistema está todavía en desarrollo, utilizando datos públicos de la NASA y de la Universidad de Oxford, además de incluir variables como el estado de carga, el estado de salud y otros factores dinámicos. Con ellos, ha conseguido ya reducir los errores de predicción, incluido un 2,42% para el estado de carga de la batería.

«El mismo enfoque híbrido puede mejorar la confiabilidad, la seguridad y la eficiencia en una amplia gama de tecnologías, desde automóviles y drones hasta sistemas de baterías domésticas e incluso misiones espaciales», rematan los responsables del estudio.

Fuente | iScience