Investigadores de la Universidad de California en Riverside (UCR) han desarrollado una herramienta de diagnóstico inteligente para baterías de vehículos eléctricos llamada Estado de Misión (State of Mission, SOM). Este sistema puede determinar en tiempo real si una batería puede completar una tarea concreta, considerando su estado actual, las condiciones ambientales y el tipo de uso. El modelo combina física y aprendizaje automático, y logra predecir con gran precisión la autonomía real del vehículo incluso ante variaciones de temperatura, pendientes o tráfico intenso. Publicado en la revista iScience, este avance promete mejorar la fiabilidad y seguridad de los vehículos eléctricos, drones y sistemas de almacenamiento energético, eliminando buena parte de la incertidumbre que todavía acompaña a la movilidad eléctrica.

Un paso más allá del “porcentaje de batería”

Los sistemas actuales de gestión de baterías (BMS) proporcionan una información limitada. Saber que una batería está al 40 % de carga no resuelve la duda más práctica: ¿basta para recorrer 100 kilómetros con calefacción, carga adicional y un tramo de montaña?

Los ingenieros Mihri y Cengiz Ozkan, del Departamento de Ingeniería de la UCR, se propusieron eliminar esa incertidumbre desarrollando una métrica mucho más útil y contextual: el Estado de Misión (SOM). Según explicó Ozkan al portal Química.es, este sistema responde a una pregunta directa: ¿puede la batería, en su estado actual, completar de manera segura la tarea específica que se le pide?

A diferencia de los sistemas tradicionales, que ofrecen estimaciones genéricas, SOM integra múltiples variables: desde la temperatura ambiente y la topografía hasta los patrones de tráfico y estilo de conducción. Esta contextualización permite generar una predicción adaptada a cada trayecto y a cada conductor.

Inteligencia híbrida: cuando la física y la IA trabajan juntas

El rasgo más innovador del modelo SOM es su enfoque híbrido. Los investigadores combinaron ecuaciones físicas —que describen los procesos de carga y descarga de las celdas de litio— con modelos de aprendizaje automático entrenados con grandes conjuntos de datos.

Esta combinación resuelve una de las limitaciones clásicas de ambos enfoques. Los modelos puramente físicos tienden a ser inflexibles y no se adaptan bien a condiciones cambiantes. En cambio, las redes neuronales pueden generalizar, pero a menudo generan resultados difíciles de interpretar desde el punto de vista electroquímico. Al unirlos, SOM logra lo mejor de los dos mundos: flexibilidad adaptativa y coherencia física.

En palabras de Cengiz Ozkan, “hemos construido un modelo que aprende de los datos, pero que siempre se mantiene dentro de los límites de la realidad física”. Este principio de physics-informed machine learning está ganando protagonismo en la investigación energética. Según un estudio del MIT publicado en Energy & Environmental Science, este tipo de modelos híbridos pueden mejorar la precisión de predicción del comportamiento de baterías en más de un 40 % respecto a los algoritmos puramente estadísticos.

Datos de NASA y Oxford: pruebas a escala real

Para entrenar y validar su modelo, los investigadores utilizaron bases de datos abiertas de la NASA y la Universidad de Oxford, que incluyen miles de ciclos de carga y descarga, variaciones térmicas, corrientes, voltajes y degradación a largo plazo. Estos datos, recopilados durante años en condiciones reales, permitieron al sistema aprender patrones de comportamiento representativos.

Los resultados fueron notables: SOM redujo los errores de predicción del voltaje en 0,018 V, los errores térmicos en 1,37 °C y los errores del estado de carga (SoC) en un 2,42 % frente a los modelos convencionales. En términos prácticos, eso se traduce en una autonomía estimada mucho más precisa y una mejor capacidad de anticipar fallos.

Este nivel de exactitud es esencial para aplicaciones críticas, como drones o vehículos industriales, donde una predicción errónea puede significar la pérdida de la misión o incluso un accidente. El SOM transforma la medición pasiva del “porcentaje de batería” en un sistema activo de evaluación del rendimiento energético en tiempo real.

Cómo traduce los datos en decisiones prácticas

El sistema no se limita a estimar la carga restante, sino que evalúa la viabilidad de una tarea concreta. Por ejemplo, puede indicar a un conductor que su coche puede completar la ruta planificada, pero con riesgo de agotarse si usa la calefacción o mantiene una velocidad elevada. En el caso de drones o sistemas aéreos no tripulados, puede advertir que el vuelo no es seguro dadas las condiciones de viento y temperatura.

Como explica Mihri Ozkan, “SOM convierte los datos abstractos de la batería en decisiones prácticas que mejoran la seguridad, la planificación y la fiabilidad”. Este tipo de diagnóstico situacional se alinea con la tendencia hacia la electrónica predictiva, en la que los dispositivos no solo miden, sino que anticipan y corrigen su comportamiento en función del contexto.

Limitaciones y desafíos técnicos

El principal reto de SOM, según los propios investigadores, es su complejidad computacional. El modelo requiere una potencia de procesamiento superior a la que ofrecen los sistemas integrados de gestión de baterías actuales, que suelen estar diseñados para cálculos más simples. Esto significa que, por ahora, su implementación masiva en coches de producción todavía no es viable sin una optimización del algoritmo o un hardware más potente.

Aun así, el equipo confía en que los avances en microcontroladores y chips especializados —como los desarrollados por Infineon Technologies o NXP Semiconductors— permitan ejecutar este tipo de modelos híbridos en tiempo real dentro del propio vehículo, sin depender de servidores externos ni conexión a la nube.

Otra limitación es la necesidad de calibración de sensores. La precisión de SOM depende de la calidad de los datos de entrada, especialmente los térmicos y de voltaje interno. Si bien puede funcionar con información parcial, su rendimiento mejora significativamente con sensores de alta resolución, lo que incrementa el coste de fabricación.

Aplicaciones más allá del coche eléctrico

Aunque el proyecto se ha diseñado pensando en los vehículos eléctricos, el marco SOM es escalable y puede adaptarse a otras aplicaciones energéticas. Entre ellas destacan los sistemas de almacenamiento doméstico, las microredes eléctricas o incluso las misiones espaciales, donde las condiciones ambientales extremas y la imposibilidad de mantenimiento requieren predicciones de energía altamente fiables.

La UCR ha adelantado que está trabajando en versiones optimizadas del modelo para baterías de sodio, baterías de estado sólido y sistemas de flujo redox, lo que podría diversificar aún más su impacto. Estas tecnologías emergentes son claves para la transición energética, ya que ofrecen mayor densidad energética, menor coste y mejor reciclabilidad.

Implicaciones para la industria

El desarrollo del SOM llega en un momento clave para el sector del vehículo eléctrico. La autonomía real sigue siendo uno de los factores más determinantes en la decisión de compra. En Europa, un 43 % de los potenciales compradores de coches eléctricos declara que la incertidumbre sobre el alcance real es la principal razón para no dar el salto, según datos de la Agencia Europea del Medio Ambiente.

La integración de sistemas como SOM podría reducir esa barrera al proporcionar información precisa, transparente y contextualizada. Además, permitiría optimizar el uso de las baterías, alargar su vida útil y reducir el riesgo de degradación prematura. Desde un punto de vista industrial, también podría facilitar el mantenimiento predictivo y la recuperación de celdas defectuosas antes de que provoquen fallos mayores.

Reflexión final

El concepto de “Estado de Misión” redefine cómo entendemos la gestión energética en los sistemas eléctricos. Frente a la visión tradicional centrada en la cantidad de carga, SOM introduce una perspectiva funcional: la energía no se mide solo en porcentaje, sino en utilidad real.

La combinación de física e inteligencia artificial abre un camino hacia baterías más inteligentes y autónomas, capaces de evaluar su propio rendimiento y comunicarlo de forma comprensible. Aunque su adopción comercial aún requerirá tiempo y optimización, el avance marca un punto de inflexión hacia una movilidad eléctrica más confiable y transparente.