Pérez Vargas, Jhoan Rodrigo2025-07-032025-07-032025-07-03https://dspace.unila.edu.br/handle/123456789/9136Dissertação de Mestrado apresentada ao Instituto Latino-Americano de Ciências da Vida e da Natureza da Universidade Federal da Integração Latino-Americana como parte dos requisitos para a obtenção do título de Mestre em Física Aplicada.A crescente demanda por técnicas avançadas de gerenciamento de baterias impulsiona a busca por métodos precisos de estimativa do SoC. Neste estudo, investiga-se o emprego de redes 1D CNN para estimar o SoC de baterias de íons de lítio. Para tanto, foi elaborada uma estratégia que utiliza redes 1D CNN especializadas em segmentos específicos das curvas de carga. Foram desenvolvidos modelos especializados para três segmentos distintos das curvas de carga, além de um modelo geral para fins comparativos. Cada modelo foi treinado com conjuntos de dados provenientes de ciclos de carga, considerando variações nos tamanhos de entrada e configurações de hiperparâmetros das redes 1D CNN. Os resultados indicaram que a abordagem segmentada gera estimativas do SoC mais precisas em comparação com as metodologias descritas na literatura. A estratégia aplicada reduziu o RMSE de 3,10 % para 2,75 %, evidenciando a eficácia da especialização. Além disso, foi desenvolvida a aplicação SoC_Tool, uma ferramenta distribuível que integra processamento de dados, visualização, treinamento de modelos e estimativa do SoC por meio de uma interface gráfica. Tal ferramenta facilita a replicação dos resultados e o Desenvolvimento de novos modelos a partir de dados adicionais. Conclui-se que a utilização de modelos 1D CNN especializados em segmentos das curvas de carga melhora significativamente a precisão na estimativa do SoC em baterias de íons de lítio.ptopenAcessbaterias elétricaslítioredes neurais (computação)Estimativa do estado de carga de baterias de íons de lítio utilizando modelos de rede neural convolucional unidimensional especializados para segmentos de curvas de carga