Una nueva tecnología mejora hasta un 70% la salud de las baterías de los coches eléctricos
Investigadores suecos han desarrollado un modelo que mejora hasta un 70% las predicciones de vida útil de baterías en coches eléctricos. Utiliza datos mínimos de carga y se entrena en un segundo permitiendo diseñar baterías más duraderas y seguras.
La degradación prematura de las baterías sigue siendo uno de los grandes desafíos en la electrificación del transporte. Aunque los avances han sido notables, la rápida pérdida de capacidad bajo ciclos de uso reales y cargas rápidas sigue penalizando tanto la vida útil como la seguridad de los coches eléctricos. Ahora, un nuevo estudio europeo promete una solución que podría transformar por completo la gestión de las baterías tal como las conocemos.
Un grupo de investigadores del Centro Avanzado de Baterías Ångström ha desarrollado un modelo de aprendizaje automático basado en un gemelo digital, capaz de mejorar drásticamente la precisión de los sistemas de predicción de salud y vida útil de las baterías de litio. Esta herramienta, entrenada con datos reales, es capaz de predecir el estado interno de una batería en cuestión de segundos, utilizando únicamente segmentos de carga muy cortos.
Predicciones más fiables y adaptadas al uso real
El modelo se ha desarrollado tras varios años de pruebas en laboratorio, utilizando celdas NMC (níquel-manganeso-cobalto) y sometiéndolas a protocolos de carga rápida, profundidades de descarga variables y perfiles dinámicos reales representativos del uso en climas nórdicos. La clave del nuevo enfoque está en la identificación de seis parámetros de diseño fundamentales a partir de datos mínimos, que permiten estimar de forma precisa los mecanismos internos que determinan la degradación.
La principal mejora aportada por este enfoque es la precisión en la predicción, logrando aumentar la precisión en un 65% en estimaciones de salud y en un 70% en previsiones de vida útil frente a métodos convencionales como regresiones lineales, redes neuronales estándar o algoritmos.
Además, la herramienta requiere solo un segundo de entrenamiento, lo que permite su integración directa en sistemas de gestión de baterías (BMS) y cadenas de diseño de nuevos productos. Este modelo no solo mejora la capacidad de diagnóstico en tiempo real, sino que también puede usarse para optimizar patrones de uso por parte de los conductores y guiar el desarrollo de arquitecturas de baterías más duraderas y seguras.
Los investigadores destacan la relación directa entre parámetros físicos clave —como el coeficiente de difusión en estado sólido, el radio de partícula o el grosor del electrodo— con las vías de degradación durante la carga rápida. Esta correlación permite afinar el diseño desde la fase de desarrollo y anticipar los efectos del uso intensivo sin necesidad de realizar miles de ciclos de prueba.
Según el profesor Daniel Brandell, responsable del estudio: “Dejar de tratar las baterías como cajas negras y entender en detalle lo que ocurre dentro de ellas es esencial si queremos que duren más y funcionen mejor. Esta tecnología permitirá diseñar controles más inteligentes y eficaces.”
Un trabajo que representa un paso clave hacia una electrificación más eficiente y sostenible del transporte, al permitir la reducción el desperdicio de recursos y mejorar la fiabilidad de las nuevas baterías.
Fuente | UU
