Hábitos de direção impactam diretamente degradação da bateria
Um estudo inovador conduzido por pesquisadores da Universidade Jiaotong de Pequim revelou uma ligação crítica entre os hábitos de condução e a velocidade com que as baterias dos veículos elétricos (VEs) se degradam. A pesquisa, liderada por Fu Zhicheng, Sun Bingxiang, Jia Yiming, Gong Minming, Ma Shichang e Pang Junfeng do Centro Nacional de Pesquisa e Desenvolvimento de Tecnologia de Redes de Distribuição Ativa, descobriu que diferenças sutis nos padrões de aceleração impactam significativamente a vida útil das baterias de íons de lítio. Esta descoberta não apenas desafia os métodos convencionais de avaliação da saúde da bateria, mas também abre caminho para sistemas de gerenciamento de bateria mais personalizados e precisos em futuros VEs.
Por anos, a indústria automotiva concentrou-se em fatores externos como temperatura, ciclos de carga e distância total percorrida ao avaliar a longevidade das baterias. Embora esses elementos sejam indubitavelmente importantes, o novo estudo argumenta que comportamentos internos, específicos ao condutor, desempenham um papel igualmente, se não mais, crucial. A equipe de pesquisa partiu de uma pergunta fundamental: por que dois VEs idênticos, conduzidos em condições ambientais semelhantes e percorrendo a mesma distância, frequentemente exibem taxas de degradação de bateria muito diferentes? A resposta, descobriram, reside no pé do condutor.
A investigação começou com uma observação crítica sobre os dados existentes. Muitas pesquisas anteriores sobre o envelhecimento da bateria baseiam-se em testes de laboratório ou dados do mundo real coletados em intervalos de 10 segundos ou mais. A equipe, no entanto, argumentou que esses dados de baixa resolução são insuficientes para capturar as flutuações rápidas, segundo a segundo, na corrente que ocorrem durante a condução real. “Um recorte de dados de 10 segundos é como tentar entender uma sinfonia ouvindo uma nota a cada 10 segundos”, explicou a Dra. Sun Bingxiang, autora correspondente do estudo. “Você perde a melodia, o ritmo e a dinâmica. O mesmo ocorre com a condução. As sutilezas de como um motorista acelera—se o faz em um único movimento suave ou em uma série de rajadas curtas—ocorrem em uma escala de tempo de décimos de segundo. Precisávamos de dados com uma resolução de 0,1 segundos para ver a imagem real”.
Para alcançar isso, os pesquisadores utilizaram duas fontes principais de dados. A primeira foi o Ciclo de Teste de Veículos Leves da China para Automóveis de Passageiros (CLTC-P), um ciclo de condução padronizado projetado para refletir as condições típicas de condução urbana e suburbana na China. Isso forneceu uma linha de base controlada. A segunda fonte foram dados de condução do mundo real coletados de uma frota de veículos de teste equipados com registradores de dados de alta frequência, que capturavam a tensão, a corrente, o estado de carga (SOC) e a temperatura da bateria a uma taxa de 10 vezes por segundo. Ao analisar esses dados de alta resolução, a equipe pôde dissecar cada evento de condução com uma precisão sem precedentes.
A análise concentrou-se na corrente de descarga, o fluxo de eletricidade da bateria para o motor, que é diretamente influenciado pela entrada do acelerador do motorista. Os pesquisadores desenvolveram um novo método para segmentar o fluxo contínuo de dados de corrente em “fragmentos” distintos com base na velocidade e aceleração do veículo. Eles categorizaram esses fragmentos em três tipos: fragmentos de aceleração, fragmentos de transição e fragmentos de frenagem. Descobriu-se que os fragmentos de frenagem, que envolvem frenagem regenerativa e resultam em corrente negativa, têm um impacto insignificante na degradação, representando menos de 5% do ciclo de energia no teste CLTC-P, e foram, portanto, excluídos da análise central.
A ideia chave surgiu da segmentação do processo de aceleração. A equipe observou que o que poderia parecer uma única “aceleração” à distância é frequentemente composto por múltiplas rajadas curtas e intensas de potência. Eles chamaram isso de “processo de aceleração segmentado”. Em contraste, um “processo de aceleração contínua” implica uma aplicação única e sustentada do acelerador. A proporção de aceleração segmentada em relação à contínua tornou-se uma métrica central para quantificar os hábitos de condução. Por exemplo, um motorista cauteloso e suave poderia exibir uma alta porcentagem de aceleração contínua, enquanto um motorista agressivo e impaciente mostraria uma porcentagem muito maior de aceleração segmentada, caracterizada por pulsos frequentes de potência.
Para dar sentido à vasta quantidade de dados, os pesquisadores empregaram duas poderosas ferramentas estatísticas: a Análise de Componentes Principais (PCA) e o agrupamento BI-KMEANS. O PCA é uma técnica de redução de dimensionalidade que identifica as variáveis mais importantes dentro de um conjunto de dados complexo. Quando aplicado aos oito parâmetros iniciais das características de corrente—corrente máxima, corrente média, duração, taxas de subida e descida da corrente, e assim por diante—, a análise revelou que os dois fatores mais significativos foram a corrente máxima (Imax) e a duração do fragmento (T). Esses dois parâmetros capturaram a essência do impacto do comportamento de condução na bateria.
Com esses dois parâmetros-chave identificados, o algoritmo de agrupamento BI-KMEANS foi usado para agrupar os milhares de fragmentos de aceleração em categorias distintas com base em sua semelhança. Esse processo revelou cinco padrões de corrente “típicos” distintos dentro dos dados do CLTC-P. O primeiro, rotulado como “Típico(1)”, foi um pulso de curta duração e corrente baixa a moderada, semelhante a um trapézio. Esse fragmento estava associado a uma aceleração suave e incremental, como quando um motorista faz pequenos ajustes para manter uma distância no tráfego. O segundo, “Típico(2)”, foi uma onda triangular, indicando um aumento linear na corrente, que ocorre quando o motorista acelera suavemente, mas não empurra o motor até seu limite máximo de potência. As três categorias restantes, “Típico(3)”, “Típico(4)” e “Típico(5)”, foram todos pulsos trapezoidais de alta corrente de várias durações e intensidades, representando comportamentos de condução mais agressivos, como incorporação rápida ou ultrapassagem.
Quando a mesma análise foi aplicada aos dados de condução do mundo real de cinco motoristas diferentes, as diferenças se tornaram acentuadas. Os motoristas não foram selecionados por seus estilos agressivos ou conservadores; eram indivíduos comuns a quem foi pedido para conduzir o mesmo trajeto sob as mesmas condições. No entanto, seus hábitos de condução variaram significativamente. Um motorista tinha uma velocidade média de 34,9 km/h com uma aceleração segmentada de 51,6%, enquanto outro conduzia a uma velocidade média de 24,3 km/h com apenas 27,8% de aceleração segmentada. A análise de agrupamento de seus dados mostrou diferenças claras na distribuição dos fragmentos de corrente típicos. O motorista com mais aceleração segmentada produziu uma proporção maior de pulsos “Típico(1)”, enquanto o motorista mais suave tinha uma proporção maior de fragmentos mais longos e contínuos.
Este foi o vínculo crucial: diferentes hábitos de condução criam diferentes padrões de estresse elétrico na bateria. Mas como isso se traduz em degradação física real? Para responder a isso, a equipe de pesquisa passou da análise de dados para a experimentação física. Eles projetaram uma série de testes de laboratório controlados para isolar os efeitos dos diferentes padrões de corrente que haviam identificado.
O experimento utilizou células de bateria de íons de lítio ternário completamente novas, idênticas às utilizadas nos veículos de teste do mundo real. O objetivo era simular os efeitos de diferentes hábitos de condução ao longo de um período prolongado. Os pesquisadores criaram cinco “condições de descarga” distintas que refletiam as características-chave dos fragmentos do mundo real. A Condição 1 simulou um estilo de condução dominado por pulsos curtos e frequentes (alta porcentagem de aceleração segmentada). A Condição 2 e a Condição 3 simularam eventos de aceleração mais longos e sustentados de diferentes durações, representando diferentes velocidades médias. A Condição 4 foi uma versão de alta intensidade da Condição 1, com uma corrente de pico muito mais alta. Finalmente, a Condição 5 foi projetada para ter a mesma saída de energia total da Condição 4, mas com menos pulsos mais longos, reduzindo assim o número de vezes que a bateria experimentava uma mudança brusca de corrente.
Cada célula da bateria foi submetida a 100 ciclos completos de carga e descarga sob uma dessas cinco condições. O processo de carga foi mantido idêntico para todas as células—corrente constante seguida por tensão constante—para garantir que apenas o perfil de descarga variasse. Após cada 50 ciclos, os pesquisadores mediram a capacidade restante da bateria, o indicador mais direto de seu estado de saúde (SOH).
Os resultados foram tanto dramáticos quanto definitivos. Após 100 ciclos, as baterias submetidas à Condição 4, a pulsão de alta intensidade e alta frequência, mostraram a perda de capacidade mais severa. Isso foi seguido de perto pelas células na Condição 1 e na Condição 5, que também envolveram pulsão frequente, embora com intensidade menor. As baterias nas Condições 2 e 3, que experimentaram períodos de descarga mais longos e mais estáveis, mostraram a menor degradação. Esse resultado contradiz diretamente a suposição comum de que velocidades médias mais altas (representadas por durações de descarga mais longas) são o principal motor do desgaste da bateria.
O estudo concluiu que o fator dominante na degradação da bateria não é a energia total extraída ou a velocidade média, mas sim o número e a intensidade dos “eventos de polarização” causados por mudanças rápidas na corrente. Toda vez que um motorista pressiona rapidamente o acelerador, a bateria experimenta um aumento repentino na corrente. Isso força as reações eletroquímicas dentro da bateria a acelerarem, criando um fenômeno conhecido como “polarização”. Este é um desequilíbrio temporário na tensão através dos eletrodos. Quando o motorista solta o pedal, a corrente diminui e a bateria “relaxa”. Esse ciclo constante de estresse e relaxamento causa danos irreversíveis ao longo do tempo.
O dano ocorre em nível microscópico. A expansão e contração repetida dos materiais dos eletrodos durante os ciclos de carga e descarga pode fazê-los rachar e perder contato com a matriz condutora. A camada de interface sólido-eletrólito (SEI), um filme protetor no ânodo, pode ficar mais espessa e instável sob o estresse de pulsos frequentes, consumindo íons de lítio ativos e aumentando a resistência interna. Além disso, pulsos de alta corrente geram mais calor, o que pode acelerar todos esses mecanismos de degradação.
A pesquisa fornece uma explicação clara para as diferenças observadas entre motoristas. Um motorista que frequentemente “belisca” o acelerador, fazendo pequenos ajustes, submete sua bateria a centenas de eventos de polarização durante uma única viagem. Um motorista mais suave, que acelera em rajadas mais longas e deliberadas, cria muito menos desses eventos prejudiciais, mesmo que percorra a mesma distância a uma velocidade média semelhante. Os dados do estudo mostraram que o número de eventos de polarização (ligado à porcentagem de aceleração segmentada) e sua intensidade (ligada à corrente de pico) são os principais impulsionadores das diferenças observadas na degradação da bateria.
Esta pesquisa tem implicações profundas para o futuro da mobilidade elétrica. Para os consumidores, sugere que adotar um estilo de condução mais suave e previsível pode estender significativamente a vida útil da bateria do seu VE, potencialmente economizando milhares de dólares em custos de substituição. Para os fabricantes de automóveis, significa que os futuros sistemas de gerenciamento de bateria (BMS) podem se tornar muito mais inteligentes. Em vez de usar um modelo único para a estimativa de SOH, um BMS poderia analisar os padrões históricos de corrente de um motorista e fornecer uma previsão personalizada e mais precisa da vida útil da bateria. Isso poderia ser usado para oferecer dicas de condução personalizadas, otimizar estratégias de carregamento ou até mesmo informar políticas de garantia.
Além disso, os achados são cruciais para operadores de frotas e empresas de car sharing. Ao treinar motoristas em técnicas de condução mais suaves, essas organizações poderiam reduzir drasticamente seus custos de manutenção e estender a vida útil de seus veículos. Também fornece dados valiosos para planejadores urbanos e formuladores de políticas. Se o fluxo de tráfego de uma cidade for projetado para minimizar a condução stop-and-go e promover padrões de tráfego mais suaves, poderia ter um impacto direto e positivo na longevidade dos VEs que operam nela.
O estudo também destaca a importância dos dados de alta resolução para entender sistemas complexos. A mudança de dados de 10 segundos para 0,1 segundos não foi apenas uma atualização técnica; foi a chave que desbloqueou toda a descoberta. Demonstra que, para realmente entender o desempenho do mundo real dos VEs, os pesquisadores devem ir além dos testes padronizados e aprofundar-se nos detalhes granulares de como esses veículos são realmente usados.
Em conclusão, esta pesquisa da Universidade Jiaotong de Pequim fornece uma mudança fundamental na nossa compreensão da degradação da bateria dos VEs. Ela move a conversa de fatores externos, ambientais para fatores internos, comportamentais. Demonstra que o motorista não é apenas um passageiro no ciclo de vida do veículo, mas um participante ativo na saúde da bateria. Ao compreender a física de como os hábitos de condução criam estresse elétrico, agora podemos tomar medidas concretas para mitigar esse estresse e construir um futuro mais sustentável e econômico para o transporte elétrico. O simples ato de pressionar o pedal do acelerador, afinal, carrega uma consequência muito mais pesada do que se pensava anteriormente.
Fu Zhicheng, Sun Bingxiang, Jia Yiming, Gong Minming, Ma Shichang, Pang Junfeng, Centro Nacional de Pesquisa e Desenvolvimento de Tecnologia de Redes de Distribuição Ativa, Universidade Jiaotong de Pequim, Power System Protection and Control, DOI: 10.19783/j.cnki.pspc.246019