Predicción del ciclo de vida de baterías de ion-litio utilizando técnicas de aprendizaje supervisado: Elastic Net, Gradient Boosted Trees y Gaussian Processes.

Abstract

Las baterías de ion-litio (LIBs) se han consolidado como el principal sistema de almacenamiento energético en aplicaciones móviles e industriales, gracias a su alta densidad energética, eficiencia y larga vida útil. Sin embargo, los procesos de evaluación de calidad como el envejecimiento artificial representan un alto costo y tiempo en la cadena de producción, lo que ha motivado el desarrollo de métodos computacionales para predecir su desempeño desde etapas tempranas. Este trabajo tiene como propósito desarrollar y evaluar modelos de aprendizaje supervisado para predecir el ciclo de vida de baterías de ion-litio a partir de datos de operación inicial. Se entrenaron tres modelos: Elastic Net, Gradient Boosted Decision Trees (GBDT) y Gaussian Process Regression (GPR), utilizando características extraídas de los primeros ciclos de carga y descarga. La validación se realizó mediante conjuntos separados y métricas como RMSE, MAE, MAPE y R². Los resultados obtenidos en el conjunto de prueba muestran que el modelo GPR presentó el mejor desempeño con un RMSE de 174.43, MAE de 113.83, MAPE de 10.39% y R² de 0.672, superando a Elastic Net (RMSE=204.59, R²=0.549) y a GBDT (RMSE=282.19, R²=0.142). Esto evidencia que los modelos no lineales ofrecen mayor capacidad de generalización y precisión en la estimación del ciclo de vida.