La tecnologia delle batterie più intelligente sa se il vostro veicolo elettrico riuscirà a tornare a casa
Un modello di intelligenza artificiale aiuta a determinare se le batterie delle auto sono in grado di portare a termine i propri compiti
Annunci
Gli attuali sistemi di gestione della batteria possono segnalare che un'auto è carica al 40%, ma i conducenti devono indovinare se possono percorrere 100 chilometri in salita con il riscaldamento acceso. Gli ingegneri dell'Università della California, Riverside, vogliono eliminare le congetture.
Hanno sviluppato una nuova metrica diagnostica chiamata State of Mission (Stato della Missione) o SOM, progettata per rispondere a una domanda pratica: Questa batteria, nel suo stato attuale, può alimentare in modo sicuro e con successo un compito specifico? La SOM utilizza sia i dati della batteria sia i fattori ambientali come il traffico, le variazioni di altitudine o la temperatura ambientale per generare previsioni in tempo reale e specifiche per l'attività.
"SOM colma questa lacuna", ha dichiarato Mihri Ozkan, professore di ingegneria della UCR che ha contribuito allo sviluppo del sistema. "È una misura consapevole della missione che combina dati e fisica per prevedere se la batteria è in grado di completare un compito pianificato in condizioni reali".
I dettagli del sistema sono stati pubblicati sulla rivista iScience. Ciò che distingue il SOM è il suo approccio ibrido. A differenza delle rigide equazioni fisiche che non possono adattarsi a scenari mutevoli, o dei modelli di apprendimento automatico che generano risultati senza spiegarli, i ricercatori hanno costruito un sistema che combina i punti di forza di entrambi.
Il modello impara da come le batterie si caricano, si scaricano e si riscaldano nel tempo, ma rispetta anche le leggi dell'elettrochimica e della termodinamica. Questa doppia intelligenza gli consente di fare previsioni affidabili anche in condizioni di stress, come un improvviso calo di temperatura o una ripida salita.
"Combinandoli, otteniamo il meglio di entrambi i mondi: un modello che impara in modo flessibile dai dati, ma che rimane sempre ancorato alla realtà fisica", ha dichiarato Cengiz Ozkan, professore di ingegneria dell'UCR che ha collaborato alla ricerca. "Questo rende le previsioni non solo più accurate, ma anche più affidabili".
Per testare il loro framework, il team ha utilizzato set di dati sulle batterie disponibili pubblicamente, provenienti dalla NASA e dall'Università di Oxford. Questi contenevano modelli di utilizzo reali, tra cui cicli di carica e scarica, variazioni di temperatura, dati di corrente e tensione nel tempo e tendenze di prestazioni a lungo termine.
Rispetto ai metodi tradizionali di diagnostica delle batterie, il modello ha ridotto significativamente gli errori di previsione di 0,018 volt per la tensione, 1,37 gradi Celsius per la temperatura e 2,42% per lo stato di carica.
Invece di una semplice stima della "percentuale di carica", il SOM offre un risultato più intelligente e lungimirante. Può dire a un automobilista che può completare un percorso pianificato, ma che potrebbe aver bisogno di ricaricarsi a metà strada, o che un volo con un drone non è fattibile in determinate condizioni di vento.
"Trasforma i dati astratti sulle batterie in decisioni attuabili, migliorando la sicurezza, l'affidabilità e la pianificazione di veicoli, droni e qualsiasi applicazione in cui l'energia deve essere abbinata a un compito reale", ha dichiarato Mihri Ozkan.
Il modello è ancora in fase di sviluppo.
"Al momento, il limite principale è la complessità computazionale", ha dichiarato Mihri Ozkan. "Il framework richiede una potenza di elaborazione superiore a quella che i sistemi di gestione delle batterie, leggeri e integrati, sono soliti fornire".
I ricercatori sono comunque ottimisti. Con un'ulteriore ottimizzazione, prevedono che il modello potrebbe presto essere utilizzato nei veicoli elettrici, nei sistemi aerei senza pilota, nelle applicazioni di stoccaggio della rete elettrica e altro ancora.
In prospettiva, il team prevede di testare il SOM sul campo e di espandere le sue capacità per lavorare con altre batterie chimiche, come quelle agli ioni di sodio, allo stato solido o a flusso.
"Il nostro approccio è progettato per essere generalizzabile", ha detto Cengiz Ozkan. "La stessa metodologia ibrida può fornire previsioni consapevoli che migliorano l'affidabilità, la sicurezza e l'efficienza in un'ampia gamma di tecnologie energetiche, dalle automobili ai droni, dai sistemi di batterie domestiche fino alle missioni spaziali".
Nota: questo articolo è stato tradotto utilizzando un sistema informatico senza intervento umano. LUMITOS offre queste traduzioni automatiche per presentare una gamma più ampia di notizie attuali. Poiché questo articolo è stato tradotto con traduzione automatica, è possibile che contenga errori di vocabolario, sintassi o grammatica. L'articolo originale in Inglese può essere trovato qui.
Pubblicazione originale
Cengiz S. Ozkan, Mihrimah Ozkan; State of mission: Battery management with neural networks and electrochemical AI; iScience; 2025
Altre notizie dal dipartimento scienza
