Mercado fechará em 4 h 29 min
  • BOVESPA

    107.835,34
    -1.106,34 (-1,02%)
     
  • MERVAL

    38.390,84
    +233,89 (+0,61%)
     
  • MXX

    51.599,38
    0,00 (0,00%)
     
  • PETROLEO CRU

    83,51
    -1,63 (-1,91%)
     
  • OURO

    1.839,90
    +8,10 (+0,44%)
     
  • BTC-USD

    33.577,86
    -1.999,38 (-5,62%)
     
  • CMC Crypto 200

    762,36
    -48,24 (-5,95%)
     
  • S&P500

    4.324,73
    -73,21 (-1,66%)
     
  • DOW JONES

    33.794,20
    -471,17 (-1,38%)
     
  • FTSE

    7.364,78
    -129,35 (-1,73%)
     
  • HANG SENG

    24.656,46
    -309,09 (-1,24%)
     
  • NIKKEI

    27.588,37
    +66,11 (+0,24%)
     
  • NASDAQ

    14.157,00
    -269,50 (-1,87%)
     
  • BATS 1000 Index

    0,0000
    0,0000 (0,00%)
     
  • EURO/R$

    6,1936
    +0,0036 (+0,06%)
     

Aprendizagem de máquina ajuda a prever quando uma bateria vai falhar

·2 min de leitura

Cientistas da Universidade de Oxford, na Inglaterra, desenvolveram um novo sistema de aprendizagem de máquina capaz de prever com exatidão quando uma bateria irá falhar. Essa abordagem pode ser usada em células de solares, evitando que pessoas fiquem sem acesso à energia durante lacunas de fornecimento.

O método utilizado pelos pesquisadores conseguiu fazer previsões de eventuais falhas em baterias com resultados de 15% a 20% mais precisos, em comparação com outros sistemas usados na detecção de problemas em células de energia ligadas a uma rede de transmissão.

“Nós usamos técnicas probabilísticas de aprendizagem de máquina para inferir a resistência interna da célula em função da corrente, temperatura, estado de carga e tempo, permitindo uma calibração precisa para as condições mais comuns”, explica o professor de engenharia elétrica David Howey, autor principal do estudo.

Longe do laboratório

Para testar a eficácia do novo sistema, os cientistas fizeram uma parceria com a concessionária Bboxx que fornece energia limpa para países em desenvolvimento. Com essa iniciativa, eles evitaram as limitações de estudos anteriores que utilizavam um pequeno conjunto de dados para modelar a integridade das baterias.

O dados foram coletados em mais de mil baterias em funcionamento na África (Imagem: Reprodução/University of Oxford)
O dados foram coletados em mais de mil baterias em funcionamento na África (Imagem: Reprodução/University of Oxford)

Durante um período de dois anos, os pesquisadores coletaram informações sobre tensão, corrente e temperatura em mais de mil baterias instaladas no continente africano. Essa técnica não requer o uso de sensores, permitindo que os sistemas de energia renovável permaneçam continuamente online.

“O sucesso dessa abordagem se deve à combinação de um modelo que mede a saúde de todo o conjunto de baterias com um indicador para aferir a integridade específica de cada célula de energia, que se torna mais informativo conforme a bateria envelhece”, acrescenta o professor Howey.

Previsão de falha

A técnica de aprendizagem de máquina escalonável foi aplicada no diagnóstico de 1.027 baterias de chumbo-ácido conectadas à rede de energia solar, cada uma funcionando entre 400 e 760 dias. Durante os testes, os cientistas conseguiram prever o fim da vida de uma bateria em 73% das ocasiões, com até oito semanas de antecedência.

Esquema de detecção de falhas nas baterias solares (Imagem: Reprodução/University of Oxford)
Esquema de detecção de falhas nas baterias solares (Imagem: Reprodução/University of Oxford)

O sucesso dessa abordagem se deve a coleta precisa de informações sobre fatores que determinam o envelhecimento de uma bateria, como os picos de voltagem e temperatura, que geralmente ocorrem durante os ciclos de carga e descarga ao longo de toda a vida útil de uma célula de energia convencional.

“Esses resultados são de interesse para um amplo público de fabricantes de baterias e seus clientes, que podem usar os dados ​​para acelerar o desenvolvimento de células mais eficientes, especialmente para levar eletricidade a locais do mundo onde a energia ainda não chega adequadamente”, encerra o professor David Howey.

Fonte: Canaltech

Trending no Canaltech:

Nosso objetivo é criar um lugar seguro e atraente onde usuários possam se conectar uns com os outros baseados em interesses e paixões. Para melhorar a experiência de participantes da comunidade, estamos suspendendo temporariamente os comentários de artigos