Todo conductor de Uber que se haya sentado frente a un cargador rápido observando cómo aumentaba el porcentaje conoce la silenciosa aritmética de la situación. La carga rápida funciona. También, poco a poco, destruye la batería. Esa compensación se ha tratado como básicamente inevitable desde que existen los vehículos eléctricos, una limitación física incorporada en la química de las celdas de iones de litio. Un estudio de la Universidad Tecnológica de Chalmers en Suecia sugiere ahora lo contrario. Utilizando un algoritmo de aprendizaje por refuerzo entrenado para comprender cómo envejece una batería, los investigadores han encontrado una manera de cargar las baterías de los vehículos eléctricos aproximadamente a la misma velocidad que hoy y al mismo tiempo extender su vida útil en casi un 23 por ciento. Sin hardware nuevo. Sólo una actualización de software.
El problema del revestimiento de litio
Cuando una batería se carga rápidamente, grandes corrientes empujan los iones de litio hacia el ánodo más rápido de lo que pueden intercalarse claramente en la estructura de grafito. En cambio, parte de ese litio precipita y se deposita como litio metálico en la superficie del electrodo. Esto se llama revestimiento de litio y, en general, es una mala noticia. Reduce la capacidad y, en el peor de los casos, los depósitos metálicos irregulares pueden provocar un cortocircuito. Cuanto más envejece una batería, más vulnerables se vuelven sus electrodos a este proceso, lo que tal vez sea la principal ironía de la práctica de carga actual: las baterías que han sido cargadas rápidamente repetidamente ya están debilitadas, pero continúan recibiendo exactamente los mismos perfiles de corriente que una celda nueva el primer día.
“El riesgo del revestimiento de litio aumenta con la edad de la batería”, dice Meng Yuan, profesor asistente de la Universidad Victoria de Wellington, Nueva Zelanda, y coautor del estudio. “Sin embargo, los métodos estándar de carga actuales utilizan la misma corriente y voltaje independientemente de si la batería es nueva o se ha utilizado durante años”.
Esa rigidez es el objetivo. Lo que Yuan y su colega de Chalmers, Changfu Zou, querían construir era un controlador de carga que pudiera leer el estado actual de la batería y ajustarlo en consecuencia, en tiempo real, durante toda la vida útil de la celda. No sólo durante un único ciclo de carga, sino de forma continua, a medida que la batería envejecía durante cientos de ciclos completos equivalentes.
Enseñar a una IA a pensar en el mañana
El enfoque que eligieron pertenece a una rama del aprendizaje automático llamada aprendizaje por refuerzo, en el que un algoritmo aprende por prueba y error, recibiendo recompensas por las acciones que sirven a un objetivo definido y penalizaciones por aquellas que no lo hacen. La formación de un agente de RL para la carga de baterías no es, en sí misma, nueva. Lo que es diferente aquí es el encuadre. Los esfuerzos anteriores tendían a restablecer el modelo de batería a un estado nuevo al comienzo de cada episodio de entrenamiento, como si la celda no tuviera historial. Yuan y Zou dejaron que la batería envejeciera continuamente durante el entrenamiento. El agente aprendió lo que significaba cargar una célula joven de manera diferente a una vieja, porque, al menos en simulación, había vivido ese proceso de principio a fin.
El resultado fue una estrategia que los investigadores llaman carga rápida consciente de la salud. El algoritmo, una variante del aprendizaje por refuerzo profundo conocido como gradiente de política determinista profundo retardado gemelo, aprendió a asignar el estado de salud de la batería a un techo de voltaje dinámico. A medida que la celda envejecía y su tolerancia electroquímica cambiaba, el algoritmo ajustó su corriente de carga en consecuencia. La capacitación tomó alrededor de 22 horas en una computadora de escritorio para consumidores. No es una supercomputadora.
Probado en simulación de alta fidelidad con el método estándar de corriente constante y voltaje constante que domina la práctica actual, el algoritmo entrenado extendió la vida útil de la batería de 572 a 703 ciclos completos equivalentes antes de que la batería alcanzara el 80 por ciento de su capacidad original, el umbral convencional de fin de vida útil para los vehículos eléctricos. El tiempo medio de carga pasó de 24,15 minutos a 24,12 minutos. Tres centésimas de segundo, más o menos. “Demostramos que es posible cargar más o menos tan rápido como hoy, pero con una degradación a largo plazo significativamente menor de la batería”, afirma Yuan.
De la simulación a la carretera
Hay advertencias. Las simulaciones se realizaron a una temperatura fija de 25 grados Celsius utilizando parámetros de un solo tipo de celda, el LG M50. La variación de la temperatura en el mundo real complicaría el mapeo de voltaje a estado en el que se basa el sistema, y el método necesitaría calibrarse para cada química de la batería. Vale la pena señalar que la carga rápida representa entre el 10 y el 12 por ciento de toda la carga de vehículos eléctricos; la mayoría de los conductores todavía se conectan en casa durante la noche. Las poblaciones que más se beneficiarían son los viajeros de larga distancia, los operadores de flotas y los conductores en regiones sin fácil acceso a la carga en el hogar.
El despliegue al menos parece plausible. Los sistemas de gestión de baterías de los vehículos eléctricos modernos ya miden de forma estándar el voltaje de las celdas, la corriente del paquete y la temperatura. El controlador no necesita sensores adicionales. “Nuestro estudio muestra que la adaptación inteligente de la corriente durante la carga, teniendo en cuenta el estado electroquímico cambiante de la batería, puede maximizar tanto el rendimiento como la vida útil de la batería”, afirma Zou. El siguiente paso es realizar pruebas en celdas físicas y utilizar el aprendizaje por transferencia para adaptar el modelo a las nuevas químicas de las baterías. “Hoy en día no hay tantos tipos diferentes de baterías, pero es necesario calibrar el método para que pueda ser utilizado por todos. Utilizando el aprendizaje por transferencia, podemos aprovechar lo que nuestro modelo de IA ya ha aprendido y así adaptar el modelo de IA a baterías nuevas más rápidamente”, añade.
Las implicaciones para la industria no son triviales. Las garantías de baterías se encuentran entre los mayores pasivos en los balances de los automóviles; una mejora de casi el 23 por ciento en la longevidad, si se mantiene a escala, se traduce en ahorros reales, mejores valores residuales y un uso más eficiente del litio, cobalto y níquel que se utilizaron para construir el paquete en primer lugar. Esos materiales son finitos y las cadenas de suministro que los extraen están en disputa. Ampliar la duración de la batería sin ralentizar la carga es, desde ese ángulo, más una historia de eficiencia de recursos que de conveniencia.
Lo que queda por ver es si el rendimiento del algoritmo sobrevive al contacto con el desorden de la química real, las temperaturas reales y el tipo de comportamiento de carga que producen los controladores reales en lugar de los protocolos de simulación. Pero la idea central parece sólida: una batería no es el mismo objeto que era hace dos años, y tratarla como si lo fuera es dejar la vida sobre la mesa.
https://doi.org/10.1109/TTE.2025.3625421
Preguntas frecuentes
¿La carga rápida realmente daña tanto las baterías de los vehículos eléctricos?
Agrega un desgaste mensurable con el tiempo, principalmente a través de un proceso llamado revestimiento de litio, donde el litio metálico se deposita en la superficie del electrodo en lugar de encajar perfectamente en la estructura de la batería. El daño se agrava a medida que la batería envejece, porque las celdas más viejas son más susceptibles a los mismos niveles de corriente que una celda más nueva maneja bien. Actualmente, la carga rápida representa aproximadamente entre el 10 y el 12 por ciento de toda la carga de vehículos eléctricos, por lo que el efecto es real, pero no catastrófico, para la mayoría de los conductores que recargan principalmente en casa.
¿Cómo sabe realmente la IA cuándo relajarse durante la carga?
El algoritmo realiza un seguimiento del estado de salud de la batería a lo largo de su vida útil y utiliza esa cifra para establecer un techo de voltaje dinámico para cada sesión de carga. Cuando la batería es joven y robusta, puede tolerar voltajes más altos; a medida que envejece, el techo disminuye para mantener bajo control las reacciones secundarias dañinas. Ese ajuste continuo es lo que separa este enfoque de la carga estándar, que aplica el mismo perfil de corriente y voltaje independientemente de cuán vieja o degradada esté la batería.
¿Podría funcionar esto en vehículos eléctricos existentes o necesitaría hardware nuevo?
En principio, podría entregarse como una actualización de software para los sistemas de gestión de baterías existentes, ya que el controlador se basa únicamente en las lecturas de voltaje y corriente que ya recopilan los vehículos eléctricos modernos. El principal obstáculo es la calibración: el algoritmo debe ajustarse para cada química de la batería, lo que requiere pruebas de laboratorio o el uso de aprendizaje por transferencia para adaptar el modelo sin comenzar el entrenamiento desde cero.
¿Es importante en la práctica una duración de batería un 23 por ciento más larga?
Dado que las baterías de los vehículos eléctricos suelen durar entre ocho y quince años, dependiendo del uso, una extensión de aproximadamente el 23 por ciento podría agregar dos o más años de vida útil antes de que el paquete se degrade al 80 por ciento de su capacidad original, el punto estándar en el que el alcance y la potencia se reducen notablemente. Para los operadores de flotas o los conductores de larga distancia que dependen en gran medida de la carga rápida, la diferencia acumulativa sería más pronunciada que para el viajero promedio que rara vez usa cargadores rápidos.
Nota rápida antes de seguir leyendo.
ScienceBlog.com no tiene muros de pago, ni contenido patrocinado, ni ningún objetivo más allá de hacer la ciencia correcta. Cada historia aquí está escrita para informar, no para impresionar a un anunciante o promover un punto de vista.
El buen periodismo científico requiere tiempo: leer los artículos, comprobar las afirmaciones, encontrar investigadores que puedan poner los hallazgos en contexto. Hacemos ese trabajo porque creemos que es importante.
Si encuentra útil este sitio, considere apoyarlo con una donación. Incluso unos pocos dólares al mes ayudan a mantener la cobertura independiente y gratuita para todos.