El proyecto europeo RESTORE desarrolla un método de pretratamiento automatizado y seguro de baterías de litio y su posterior reciclaje a través de diferentes tecnologías.
El pasado abril se celebró la Asamblea General del Proyecto RESTORE de la mano de la Universidad de Agder (UiA, en Grimstad). Conocer la estructura y composición de las baterías de ion litio (LIB, por sus siglas en inglés) es fundamental para mitigar el reto que supone la alta heterogeneidad potencial que presentan, y reducir la mezcla de materiales desde el inicio del proceso de reciclaje. No se trata solo de la calidad del material final obtenido, sino que también de reducir el uso intensivo de recursos, y evitar las pérdidas de material durante los procesos posteriores.
La clasificación es el primer paso, necesario para eliminar residuos ajenos a las baterías, identificar las composiciones químicas de las mismas, y evaluar su estado, tamaño y forma con vistas a una separación eficiente. Las LIBs pueden recibirse en una planta de gestión de forma individual, pero también agrupadas en estructuras complejas como los packs, compuestos por múltiples módulos, en los que numerosas celdas se conectan en configuraciones como en paralelo o en serie (soldadura, unión por hilo y unión mecánica), junto con los componentes del paquete (sistema de gestión o BMS, carcasa, cables, placas de circuito impreso, plástico, etc.). El desafío de la gestión de las baterías continua con la desactivación de las mismas, y desmantelamiento cuando estas componen un pack. En este sentido, el consorcio visitó las instalaciones de la UiA para ver de primera mano su propuesta para dar solución a este reto cuando el objeto de estudio es un pack de baterías de vehículo eléctrico.
Las baterías LIB se clasifican en varios grupos según la composición química del cátodo dentro de la célula. En la actualidad no existe ningún método rápido para determinar la composición química de una batería a nivel de componentes. Existen algunas soluciones que utilizan sistemas de clasificación por rayos X basándose exclusivamente en la densidad atómica. Algunos combinan una entrada visual y datos de imágenes de rayos X en una cinta vibratoria capaz de clasificar entre sí baterías de Zn-carbono, alcalinas, de litio primario (Li-SOCl₂, Li-MnO₂, Li-FeS₂), níquel-cadmio (NiCd), níquel-hidruro metálico (NiMH) y de iones de litio. Sin embargo, estos sistemas aún no son capaces de determinar las diferentes composiciones químicas de las baterías de iones de litio (LCO, NMC, LFP, NCA, LiPo, entre otras).
Existen estudios para determinar los diferentes tipos de baterías mediante la espectroscopía de impedancia electroquímica (EIS), que ha demostrado una buena capacidad de predicción para baterías alcalinas, níquel o litio primario, pero aún no permite determinar las diferentes composiciones químicas de la tecnología de iones de litio. Otra desventaja de este método es que, aunque las mediciones se pueden realizar en cuestión de segundos, es necesario conectar los terminales de cada batería uno por uno para medir el EIS, lo cual no resulta práctico a escala industrial.
En paralelo, se han propuesto sistemas de clasificación basados en inteligencia artificial, apoyados en visión artificial y grandes bases de datos de imágenes previamente entrenadas. Estos sistemas pueden identificar baterías cuando su apariencia externa coincide con patrones ya conocidos, pero su rendimiento se ve limitado por la elevada heterogeneidad de formatos y diseños existentes. La lectura del film o del etiquetado externo, cuando está disponible, tampoco resulta un indicador fiable de la composición química, ya que la información suele ser incompleta o inexistente, y baterías visualmente similares pueden corresponder a químicas diferentes. Además, al basarse principalmente en visión artificial, estos enfoques requieren condiciones de pureza y limpieza del material que no son habituales en el sector de gestión de residuos, en particular en flujos de RAEEs. En algunos casos, estas soluciones se combinan con técnicas como la fluorescencia de rayos X (XRF), aunque su limitada capacidad de penetración dificulta una caracterización precisa del núcleo de la batería. En consecuencia, la aplicación de la IA en la clasificación de baterías aún presenta importantes desafíos en términos de fiabilidad, cobertura y escalabilidad industrial, siendo necesaria una mayor investigación y generación de datos que permitan validar los enfoques actuales y acercar estas tecnologías a un despliegue comercial más amplio.
En este contexto, el objetivo de RESTORE en el ámbito de la clasificación de baterías es desarrollar un sistema resiliente, basado en tecnologías de detección más accesibles y capaces de abordar el espectro completo de químicas de baterías. Esta aproximación parte de la premisa de que, a largo plazo, no puede asumirse una única tecnología dominante, ya que la consolidación del litio como solución principal continúa siendo objeto de debate debido a los riesgos y limitaciones asociados. En definitiva, el proyecto persigue demostrar la robustez de un prototipo de clasificación de baterías al final de su vida útil en un entorno industrial real, de forma que pueda ser fácilmente escalable y transferible al mercado tras la finalización del proyecto.
Indumetal Recycling participa en el proyecto RESTORE dentro de sus actividades de innovación, y que está liderado por el Centro Tecnológico Leitat, y financiado por la Comisión Europea dentro del programa Horizon Europe. En el proyecto participan 20 entidades de 7 países distintos.
