Con l’aumentare dei chilometri percorsi e dei cicli di carica, la domanda centrale per chi possiede un’auto elettrica rimane la stessa: quanta autonomia resta alla batteria? La risposta non è banale perché dipende dall’interazione tra fenomeni fisici interni alle celle e dalle condizioni d’uso reali. Per rendere più affidabile questa stima, un team di ricerca ha pubblicato il 10 ottobre uno studio che introduce una rete neurale a doppio percorso progettata per integrare informazioni sperimentali e vincoli fisici al fine di misurare con maggiore precisione lo stato di salute delle batterie agli ioni di litio.
Struttura e logica della rete neurale a doppio percorso
L’architettura proposta sfrutta due flussi di elaborazione paralleli: uno è dedicato all’analisi delle curve di capacità incrementale, viste come una impronta caratteristica della batteria, l’altro prende in carico i parametri che descrivono il comportamento in tempo reale del pacco. L’approccio evita di mescolare dati eterogenei fin dall’inizio, permettendo a ciascun ramo di estrarre pattern specifici. Il primo ramo individua picchi e variazioni nelle curve di carica rispetto alla tensione, segnali che spesso correlano con processi di degrado interni; il secondo monitora variabili operative per contestualizzare lo stato attuale della batteria secondo leggi fisiche note.
Perché separare i dati migliora la stima
Mettere in parallelo un’analisi basata su dati sperimentali e un modello influenzato da principi fisici consente di sfruttare i vantaggi di entrambi i mondi: il machine learning cattura pattern complessi presenti nei dati, mentre i vincoli fisici riducono il rischio di previsioni non plausibili fuori dal campione. Questa combinazione riduce la necessità di enormi quantità di esempi etichettati e mantiene il modello interpretabile rispetto a fenomeni che la sola statistica faticherebbe a descrivere.
Risultati sperimentali e confronto con altre tecniche
Nei test di laboratorio la rete a doppio percorso ha mostrato margini di errore molto contenuti: l’errore è sceso fino al 0,69% sulle singole celle e al 0,29% su un pacco batteria assemblato per l’esperimento. Questi valori indicano che la stima si avvicina in modo significativo al valore reale di capacità residua, migliorando l’accuratezza rispetto alle pratiche più comuni nei sistemi di bordo.
Confronto con metodi alternativi
Un metodo correlato, che combina spettroscopia d’impedenza elettrochimica e una rete convoluzionale multiscala, ha riportato un errore quadratico medio pari a 0,74% e un errore assoluto medio pari a 0,60% su batterie di prova. Questi numeri suggeriscono che l’area di ricerca sta convergendo verso soluzioni in grado di offrire stime sempre più precise, anche se con tecniche e strumenti diversi.
Limiti attuali e percorso verso l’implementazione in veicolo
Nonostante i risultati promettenti in laboratorio, l’applicazione su veicoli di serie presenta ancora ostacoli. Una roadmap pubblicata il 30 settembre sottolinea che nessuna singola tecnica è sufficiente per descrivere in modo completo il degrado e la sicurezza delle batterie: è necessario incrociare segnali di superficie, dati live e algoritmi physics-informed. Molti sistemi di gestione batteria attuali non integrano ancora diagnosi così avanzate, sebbene alcuni prodotti industriali stiano iniziando a includere moduli diagnostici più sofisticati.
Per ora, il valore di stato di salute mostrato sul cruscotto della maggior parte delle auto elettriche rimane una stima prudente basata su poche grandezze misurabili in esercizio. Per rendere disponibili al pubblico le stime di laboratorio a doppio percorso sarà necessario validare l’architettura su dati reali su larga scala e adattarla ai vincoli di hardware e calcolo a bordo. Tuttavia, i risultati sperimentali indicano che combinare intelligenza artificiale e conoscenza fisica è una strada credibile per ottenere previsioni più affidabili sulla vita residua delle batterie.