BatWoMan desarrolla nuevos conceptos de producción de células de baterías de iones de litio sostenibles y rentables, allanando el camino hacia la producción de células neutras en carbono dentro de la Unión Europea.

Se apoyarán digitalmente tres esfuerzos tecnológicos principales mediante la creación de una plataforma innovadora potenciada por IA para el rediseño inteligente, la supervisión constante de la sostenibilidad y la eficiencia de los pasos de producción individuales propuestos, y el desarrollo de un espacio de datos de baterías que proporcione datos de referencia relevantes de las células.

Con ello, BatWoMan permitirá una reducción estimada del 63,5 % en los costes de producción de células del 52,6 % en el consumo de energía de producción de células y, por tanto, posibilitará una posición de liderazgo europeo en la producción sostenible de baterías.

CIDETEC Energy Storage liderará la producción de electrodos para baterías de iones de litio utilizando técnicas de fabricación sostenibles con un consumo energético reducido, una baja huella de carbono y sin compuestos orgánicos volátiles (COV). CIDETEC tiene el know-how sobre el desarrollo en la formulación de lodos, la optimización del proceso de recubrimiento y el montaje de células durante el proceso de fabricación de baterías. CIDETEC desarrollará el procesamiento de electrodos de uso reducido de disolvente y optimizará el avanzado proceso. A su vez, CIDETEC prestará apoyo en las actividades de ensamblaje y ensayo de células respetuosas con el medio ambiente; más concretamente, CIDETEC identificará varios protocolos de formación de células (a partir de la documentación existente y del propio proyecto) para reducir el tiempo de formación e igualar el rendimiento final de la célula.

En cuanto a las actividades de modelización, CIDETEC apoyará la optimización de la fabricación de baterías mediante enfoques de modelización basados en datos. Para este fin, se necesita reunir los mejores datos experimentales. Para ello, se seleccionarán los parámetros de la máquina y las propiedades de salida de cada paso de fabricación para, a continuación, crear un Diseño de Experimento (DdE) personalizado con el fin de maximizar la variabilidad de entrada/salida y, al mismo tiempo, minimizar el número de experimentos necesarios. Estos experimentos se realizarán con el fin de recopilar datos para construir el modelo de aprendizaje automático.