Una actualización de software podría alargar la vida útil de las baterías de los coches eléctricos en 23% sin aumentar el tiempo de carga

La autonomía y durabilidad de las baterías constituyen dos de las principales preocupaciones de quienes consideran adquirir un vehículo eléctrico. Ahora, un innovador método basado en inteligencia artificial promete cambiar las reglas del juego sin necesidad de modificar el hardware de los coches eléctricos. La solución llegará mediante una simple actualización de software que podría implementarse en los vehículos actuales.

Investigadores de la Universidad Tecnológica de Chalmers han logrado desarrollar un sistema que aumenta la vida útil de las baterías un 23% manteniendo prácticamente intactos los tiempos de carga rápida. Este avance representa una respuesta directa a uno de los dilemas más complejos de la electromovilidad: la necesidad de cargas rápidas para viajes largos frente al desgaste acelerado que estas provocan en las baterías.

En España, donde la red de puntos de carga rápida continúa expandiéndose, esta innovación podría marcar un punto de inflexión para la adopción masiva de vehículos eléctricos. El método desarrollado no requiere inversiones en nueva infraestructura ni cambios en los cargadores existentes, lo que facilitaría su implementación generalizada en el mercado europeo.

El problema del envejecimiento acelerado

Actualmente, las baterías de los vehículos eléctricos tienen una vida útil aproximada de entre 8 y 15 años, un período que varía significativamente según los patrones de uso y, especialmente, según la frecuencia con que se recurre a la carga rápida. Los estudios realizados en el mercado europeo revelan que la preocupación por esta limitada durabilidad constituye un freno importante para muchos potenciales compradores.

"Para los taxis o los vehículos pesados de la industria, por ejemplo, el acceso a la carga rápida es fundamental", explica Changfu Zou, profesor del Departamento de Ingeniería Eléctrica de Chalmers. El experto señala que incluso para conductores particulares que cargan habitualmente en casa, la disponibilidad de puntos de carga rápida resulta crucial para viajes largos y desplazamientos fuera de la rutina diaria.

El conflicto surge porque la carga rápida somete a las baterías a un estrés considerable. Cuando se introduce una corriente elevada en las distintas celdas, aumenta el riesgo de reacciones químicas secundarias perjudiciales. Entre estas, destaca la deposición de litio, un fenómeno en el que el litio metálico se precipita sobre el electrodo en lugar de almacenarse correctamente en la estructura de la batería, reduciendo su capacidad y comprometiendo la seguridad del sistema.

Inteligencia artificial que aprende a cargar

El método desarrollado por Zou junto con Meng Yuan, profesora adjunta de la Universidad Victoria de Wellington, se fundamenta en el aprendizaje por refuerzo mediante inteligencia artificial. Este sistema recompensa las acciones correctas y, por tanto, las refuerza, permitiendo al modelo aprender cuál es la estrategia óptima de carga para cada situación específica.

El entorno de entrenamiento consistió en un modelo digital de una de las baterías más comunes del mercado de vehículos eléctricos, junto con simulaciones de todos los parámetros que influyen tanto en el tiempo de carga como en la salud de la batería. El resultado: una estrategia que adapta la corriente de carga según el nivel de carga o descarga en el momento específico y según el estado general de envejecimiento de la batería.

"Demostramos que es posible cargar la batería prácticamente a la misma velocidad que hoy en día, pero con una degradación a largo plazo significativamente menor", afirma Meng Yuan. Los datos del estudio muestran que el tiempo de carga varía únicamente unos segundos respecto a los métodos convencionales, una diferencia imperceptible para el usuario pero con consecuencias extraordinarias para la longevidad del sistema.

Implementación mediante actualización de software

Uno de los aspectos más revolucionarios de este desarrollo radica en su facilidad de implementación. Según los investigadores, la estrategia podría aplicarse mediante actualizaciones en los sistemas de gestión de la batería del vehículo, sin necesidad de modificaciones de hardware ni inversiones costosas en nueva tecnología.

No obstante, se requiere una adaptación previa para su uso generalizado. Aunque actualmente no existe una gran diversidad de tipos de baterías en el mercado, es necesario calibrar el método para diferentes modelos. Los investigadores señalan que mediante aprendizaje por transferencia pueden aprovechar el conocimiento ya adquirido por su modelo de IA y adaptarlo con mayor rapidez a nuevas baterías.

El próximo paso consiste en probar el método directamente sobre baterías físicas reales, más allá de las simulaciones. Los responsables del proyecto confían en que esta validación confirme los resultados obtenidos en el entorno virtual y permita iniciar su implementación comercial en un plazo relativamente breve.