Big Data:

Big Data, un término ampliamente reconocido en diversas industrias, ha hecho acto de presencia en la ingeniería de baterías. Para apreciar su importancia, es esencial considerar el Big Data a través de la óptica de las cinco "V":

• Volumen: Big Data abarca conjuntos de datos de gran tamaño, desde Terabytes (1 TB equivale a 1.000 Gigabytes) hasta incluso Pettabytes (1 PB equivale a 1.000 Terabytes).
• Variedad: Tener un gran volumen de datos ya es un reto de por sí, pero tener variedad dentro de esos datos aumenta la complejidad. Los datos de las baterías presentan una serie de variables en función de la aplicación, desde la corriente, la tensión y la potencia en los sistemas de almacenamiento domésticos hasta la velocidad, la potencia solicitada, la tensión y la corriente en los autobuses eléctricos. Además, la resolución de los datos puede variar significativamente, ya que los sistemas de almacenamiento domésticos ofrecen datos a intervalos de 1 a 5 minutos, mientras que las aplicaciones de vehículos eléctricos (VE) exigen datos a nivel de 1 segundo o incluso menos.
• Velocidad: En la investigación de baterías, la velocidad es esencial. Los análisis en tiempo real o casi real se han vuelto cruciales; en particular, los algoritmos de seguridad de las baterías se han vuelto más intensivos desde el punto de vista computacional, con el fin de mantener la velocidad y evitar fallos críticos.
• Valor: es la razón subyacente para abordar todos los demás retos técnicos que conllevan los macrodatos. Al fin y al cabo, tener datos no sirve de nada si no se pueden utilizar para generar valor. El valor se crea en la industria de las baterías analizando los datos recopilados para reducir los riesgos de seguridad y los costes relacionados, fundamentar las decisiones de la cadena de suministro de las baterías y prolongar su vida útil.
• Veracidad: Garantizar la exactitud y validez de los datos es primordial, pero a menudo resulta difícil debido al enorme volumen y variedad de datos. Una lectura de tensión atípica en un sistema puede ser la norma en otro.

En la actualidad, existen diferentes bases de datos que proporcionan información sobre la estructura de los materiales. Algunas son experimentales, como la Inorganic Cristal Structure Database (ICSD), y otras teóricas, como el Material Project (MP). Pero las bases de datos de uso general no suelen satisfacer las necesidades especiales de los materiales de las baterías. Para el desarrollo de materiales de baterías, es necesario tener en cuenta propiedades específicas como la densidad de energía, las propiedades de transporte de iones, las velocidades de carga y descarga, etc.

En el ámbito de las baterías, los sistemas de gestión de baterías (BMS) generan un gran volumen de datos. El volumen de datos generado por un solo BMS es pequeño y no entra en el ámbito de los Big Data. Sin embargo, cuando empezamos a recopilar datos históricos de BMS, llegamos fácilmente al rango del Terabyte de volumen de datos.

Internet de las cosas (IoT):

Hoy en día, el uso de sensores conectados a dispositivos que miden diversas magnitudes se ha convertido en algo habitual. En el contexto del almacenamiento de energía, los sistemas de gestión de baterías (BMS) constituyen un ejemplo excelente de integración de IoT.

En el ámbito de las baterías, estos sensores miden métricas de rendimiento cruciales como la tensión, la corriente y la temperatura. La monitorización y supervisión continuas de estas métricas se facilitan mediante software, y las predicciones del estado de la batería, incluidos el estado de carga (SOC), el estado de salud (SOH) y la vida útil restante (RUL), se calculan con la ayuda del Machine Learning (ML).

Una deficiencia notable es la ausencia de mecanismos de alerta relacionados con el comportamiento de las baterías de iones de litio (LiB). Las alertas son de gran importancia en las tareas de monitorización de baterías, más aún cuando se gestionan equipos complejos y sofisticados. Por ejemplo, si no se genera una alerta cuando la temperatura aumenta por encima de un determinado valor, la batería puede tener grandes problemas, siendo necesaria su sustitución.

En el marco del IoT, el objetivo es lograr la autonomía energética mediante baterías que puedan recargarse de forma sostenible. Para ello, sería interesante aprovechar energías ambientales como la luz, el calor y las vibraciones y convertirlas en electricidad. De hecho, hay que tener en cuenta que la mayoría de los dispositivos tienen una vida operativa de más de 10 años, mientras que las baterías que los alimentan duran 2 años o menos.

Machine Learning en la investigación sobre baterías:

En el ámbito de la investigación sobre baterías, se han empleado diversos paradigmas. Los métodos experimentales tradicionales de ensayo y error se basan en la experiencia previa y suelen ser lentos, costosos e ineficaces.

Por otro lado, algunas limitaciones de las simulaciones tradicionales de materiales basadas en la multifísica, que son paradigmas destacados de la ciencia teórica basada en modelos y de la simulación computacional, son que los métodos de simulación computacional tienen menos en cuenta las condiciones experimentales realistas y que las estructuras hipotéticas pueden no ser termodinámicamente estables o incluso no existir en aplicaciones prácticas. Además, el elevado coste computacional y los errores cuantitativos de las simulaciones son los principales inconvenientes de estos paradigmas.

El aprendizaje automático (o Machine Learning), un destacado subconjunto de la Inteligencia Artificial (IA), ha asumido un papel central en la investigación contemporánea sobre baterías, junto con el Big Data. Y ofrece varias ventajas:

• Selección rápida: El Machine Learning facilita el cribado rápido de extensas bases de datos de materiales. A diferencia de los métodos de simulación multifísica que exigen un gran esfuerzo computacional, el aprendizaje automático acelera la evaluación de numerosos materiales, reduciendo los costes de desarrollo y mejorando la eficiencia del descubrimiento de materiales.
• Relaciones cuantitativas estructura-propiedad (QSPR)/relaciones cuantitativas estructura-actividad (QSAR): El machine learning ayuda a descubrir complejas relaciones estructura-propiedad y estructura-actividad en sistemas de materiales con una experiencia mínima.
• Potenciales atómicos y campos de fuerza: El Machine Learning puede aprovecharse para derivar potenciales atómicos o campos de fuerza a partir de conjuntos de cálculos de química cuántica. Este enfoque permite realizar cálculos más rápidos teniendo en cuenta los potenciales interatómicos, en lugar de modelar explícitamente los electrones de cada elemento.

High-Performance Computing (HPC) para el modelado de baterías:

La computación de alto rendimiento o High-Performance Computing (HPC) es la piedra angular de la investigación moderna sobre baterías, ya que ofrece la capacidad de cálculo necesaria para abordar los entresijos de los sistemas de baterías. Una de las principales ventajas de la HPC es su capacidad para manejar complejas simulaciones multifísicas que tienen en cuenta multitud de variables, como efectos térmicos, reacciones electroquímicas y comportamiento de los materiales. Esta capacidad es especialmente crucial a la hora de explorar nuevos materiales y diseños, optimizar estructuras de electrodos o evaluar el rendimiento de conceptos avanzados de almacenamiento de energía.

Además, la HPC permite a los investigadores profundizar en la ciencia fundamental de las baterías, explorando con notable detalle fenómenos como la difusión de iones, los procesos de transferencia de carga y el comportamiento de los electrolitos en estado sólido. Este nivel de granularidad es vital no sólo para comprender el funcionamiento interno de las baterías, sino también para diseñar soluciones de almacenamiento de energía de nueva generación.

Aprovechando la potencia computacional de la HPC, los investigadores en baterías pueden acelerar el desarrollo de sistemas de almacenamiento de energía más seguros, eficientes y duraderos.

Computación cuántica en la investigación de batería:

Los ordenadores cuánticos aprovechan los principios de la mecánica cuántica para realizar cálculos que antes estaban fuera del alcance de los ordenadores clásicos. En el contexto de la investigación de baterías, esto abre las puertas a un reino de posibilidades.

Una de las ventajas más significativas de la computación cuántica en la investigación de baterías es su capacidad para manejar cálculos mecánicos cuánticos complejos con una eficiencia sin precedentes. Los ordenadores clásicos suelen tener dificultades para simular con precisión el comportamiento de electrones y átomos dentro de los materiales. Los ordenadores cuánticos, sin embargo, destacan en la resolución de estas ecuaciones mecánicas cuánticas, proporcionando información sobre propiedades y comportamientos de los materiales que antes eran difíciles de obtener.

Esta nueva capacidad de cálculo permite a los investigadores explorar materiales y diseños de baterías a nivel atómico y molecular con una precisión sin precedentes. Permite descubrir materiales con una densidad energética, unas propiedades de transporte de iones y unas velocidades de carga y descarga excepcionales. Además, la computación cuántica ayuda a identificar estructuras termodinámicamente estables, garantizando que los materiales no sólo sean teóricamente viables, sino también prácticos para aplicaciones de baterías en el mundo real.

A medida que madure la tecnología de computación cuántica, los investigadores podrán simular y optimizar sistemas de baterías completos con un nivel de detalle excepcional. Esto incluye comprender el comportamiento de electrolitos, interfaces y materiales de electrodos a escalas cuánticas.

En resumen, la integración de Big Data, IoT, aprendizaje automático, computación de alto rendimiento y computación cuántica en la investigación de baterías está a punto de revolucionar este campo. Estas tecnologías no solo mejoran el rendimiento, la seguridad y la sostenibilidad de las baterías, sino que también agilizan los esfuerzos de investigación, reducen los costes y aceleran el descubrimiento de materiales y diseños innovadores para las baterías del futuro.