A Repeated Measurements Approach to $SoH$ Battery Modelling of Cyclic Aged Data in a Laboratory Environment

As baterias são os motores silenciosos do mundo moderno, alimentando desde os telefones em nossos bolsos até os carros em nossas estradas. No entanto, como todos os seres vivos, elas envelhecem. Com o tempo, as reações químicas dentro de uma célula de bateria degradam-se, fazendo com que ela retenha menos energia do que quando era nova. Os cientistas chamam isso de "estado de saúde", uma medida de quanta vida resta em uma bateria antes que ela falhe. Compreender exatamente como e por que isso acontece é crucial para construir armazenamento de energia melhor, mais seguro e de maior duração. Em um ambiente de laboratório, pesquisadores podem observar esse processo se desenrolar submetendo células de bateria a ciclos repetidos de carga e descarga, tal como um coração batendo. Contudo, observar uma única bateria envelhecer não é suficiente; para entender a verdadeira natureza da vida de uma bateria, os cientistas devem observar muitas baterias ao mesmo tempo, rastreando como elas mudam ao longo do tempo e como diferem umas das outras. O desafio reside nos próprios dados: eles não são apenas uma coleção de pontos aleatórios, mas uma série de histórias conectadas, onde cada bateria tem seu próprio caminho único de declínio, influenciado tanto pelas condições do teste quanto por suas próprias peculiaridades internas.

Em um estudo recente, pesquisadores da Loughborough University e da Oxford Brookes University enfrentaram essa complexidade desenvolvendo uma nova maneira de modelar como as baterias envelhecem. Eles trabalharam com dez células de bateria específicas, todas feitas com um cátodo de níquel-cobalto-alumínio e um ânodo de grafite-silício, que são comuns em aplicações de alto desempenho. Essas células foram colocadas em um ambiente controlado a uma temperatura constante de 25 graus Celsius e submetidas a um protocolo de teste rigoroso. Cada célula era descarregada a uma taxa constante, mas a corrente de carga era variada, com algumas células sendo carregadas a 1 ampere e outras a taxas mais altas, de até 5 amperes. A cada cinquenta ciclos, os pesquisadores faziam uma pausa para medir a capacidade da célula, calculando exatamente quanta energia ela havia perdido em relação ao seu estado original. Esse processo continuou até que as células falhassem, gerando um rico conjunto de dados que mostrava não apenas quanta capacidade foi perdida, mas como a taxa de perda mudava ao longo do tempo para cada célula individual.

Os pesquisadores descobriram que o envelhecimento dessas baterias seguia um padrão previsível que poderia ser descrito por uma relação matemática simples conhecida como lei de potência. Isso significa que a perda de capacidade não acontece em uma linha reta; em vez disso, ela acelera ou desacelera de uma forma específica, dependendo de como a bateria é usada. No entanto, um modelo simples que observa cada bateria isoladamente ignora uma peça crítica do quebra-cabeça. Ele falha em considerar o fato de que, embora cada bateria seja única, todas compartilham uma história comum e estão sujeitas às mesmas leis físicas. A equipe percebeu que os dados continham dois tipos distintos de variação. O primeiro era o ruído aleatório pequeno que ocorre durante cada medição, como um leve tremor em uma régua. O segundo era a diferença genuína entre as células, onde uma bateria pode envelhecer um pouco mais rápido ou mais devagar do que outra, mesmo sob condições idênticas. Para capturar isso, eles construíram um modelo hierárquico, uma estrutura que trata os dados como um conjunto de histórias aninhadas: a história individual de cada célula inserida na história mais ampla de todo o grupo.

Para dar sentido a essa estrutura complexa, os pesquisadores empregaram uma abordagem estatística sofisticada que permitiu separar o ruído do sinal. Eles usaram um método que essencialmente suaviza os erros aleatórios enquanto preserva as diferenças reais entre as células. Essa técnica, que envolve um processo chamado regularização, ajuda a evitar que o modelo reaja excessivamente a flutuações menores nos dados, garantindo que a imagem final seja clara e confiável. Eles também desenvolveram uma maneira de detectar e remover automaticamente pontos de dados que eram claramente errados ou outliers, como uma medição que subitamente saltou para longe do caminho esperado, o que poderia distorcer os resultados. Ao fazer isso, garantiram que seu modelo fosse construído sobre a representação mais precisa possível da realidade.

Os resultados dessa abordagem foram surpreendentemente precisos. O modelo foi capaz de prever o estado de saúde das baterias com uma precisão de dentro de 0,191 por cento para os dados de treinamento específicos apresentados. Esse nível de precisão é significativo porque demonstra a capacidade do modelo de ajustar-se efetivamente aos dados laboratoriais observados. Além disso, o modelo forneceu uma maneira de calcular intervalos de confiança, que são faixas que mostram o quão certa é a previsão. Por exemplo, os pesquisadores puderam dizer com alta confiança que a capacidade restante de uma bateria cairia dentro de uma faixa muito estreita, dando aos engenheiros uma ferramenta confiável para o planejamento. O estudo também revelou que as diferenças entre as células eram bastante pequenas, sugerindo que, quando fabricadas sob condições controladas, essas baterias são notavelmente consistentes. No entanto, o modelo também destacou que a taxa de envelhecimento é fortemente influenciada pela corrente de carga, com correntes mais altas levando a diferentes padrões de degradação.

Este trabalho representa um passo significativo na compreensão de como as baterias envelhecem. Ao tratar os dados como uma coleção de medições repetidas em vez de pontos isolados, os pesquisadores criaram um modelo que reflete a verdadeira estrutura do processo de envelhecimento. Ele reconhece que, embora cada bateria tenha sua própria personalidade, todas seguem as mesmas regras fundamentais. O modelo é uma ferramenta prática para analisar dados laboratoriais controlados, mas os pesquisadores observam que aplicar este modelo a cenários do mundo real requer modificação. Em aplicações do mundo real, como veículos elétricos, o estresse de envelhecimento aplicado ao pacote de baterias varia com as condições ambientais, práticas de carregamento e o uso do cliente. Consequentemente, a estrutura do modelo precisa ser adaptada para lidar com essas variáveis dependentes do tempo. Embora o estudo tenha sido conduzido em um laboratório controlado com condições constantes, os pesquisadores sugerem que extensões para protocolos de covariáveis dependentes do tempo podem abordar o problema da análise de serviço no mundo real. A capacidade de prever com precisão quando uma bateria irá falhar é uma capacidade poderosa, que poderia levar a sistemas de energia mais seguros, eficientes e duradouros para o futuro. O estudo confirma que, com as ferramentas matemáticas certas, a jornada complexa e muitas vezes imprevisível da vida de uma bateria pode ser mapeada com clareza notável, desde que o modelo seja apropriadamente ajustado para as condições específicas de seu uso.