Intelligenza artificiale grazie a un metodo di apprendimento automatico prevede con una precisione 10 volte maggiore lo stato delle batterie: possibili miglioramenti in termini di sicurezza e affidabilità.

Ricercatori delle università di Cambridge e Newcastle hanno progettato un metodo di apprendimento automatico in grado di prevedere lo stato della batteria con una precisione 10 volte maggiore rispetto agli attuali standard del settore. Questa nuova conoscenza potrebbe aiutare nello sviluppo di batterie più sicure e affidabili per veicoli elettrici ed elettronica di consumo.

Che siano al litio, al potassio, al grafene, o prototipi creati con più o meno esotici polimeri organici, le batterie sono sempre più importanti per la nostra vita e per il funzionamento di tutti i dispositivi di cui ci serviamo: dal computer, allo smartphone per finire a tutti i mezzi di locomozione. Il monitoraggio del loro ciclo di funzionamento è un processo chiave per un utilizzo sicuro e affidabile ed è pertanto un argomento sempre di punta nella ricerca chimica, ingegneristica e, in questo caso, anche l’intelligenza artificiale sembra poter venire in aiuto.

Il monitoraggio delle batterie avviene inviando loro impulsi elettrici e misurandone la risposta. I dati vengono quindi elaborati da una intelligenza artificiale che grazie a un algoritmo di apprendimento automatico prevede lo stato della batteria e la sua durata utile.

Il metodo non è invasivo ed è un semplice componente aggiuntivo che potrebbe essere applicato a qualsiasi sistema di batterie esistente.

I risultati sono riportati su Nature Communications.

Prevedere lo stato e la durata della batteria è fondamentale: dall’uso degli smartphone fino alle batterie delle macchine elettriche.

Prevedere lo stato e la durata utile residua delle batterie al litio è uno dei maggiori problemi che limitano l’adozione diffusa di veicoli elettrici ed è anche un fastidio piuttosto familiare per noi tutti utilizzatori di smartphone.

Nel tempo, le prestazioni della batteria diminuiscono attraverso complessi meccanismi chimici. Individualmente, ciascuno di questi processi non influisce molto sulle prestazioni della batteria, ma collettivamente possono ridurre drasticamente le prestazioni e la durata della batteria.

I metodi attuali per prevedere lo stato della batteria si basano sul tracciamento della corrente e della tensione durante la carica e la scarica della batteria. Questo aspetto però non tiene in considerazione importanti funzionalità che indicano lo stato della batteria. Il monitoraggio dei numerosi processi che si verificano all’interno della batteria richiede nuovi modi di sondare le batterie in azione, nonché nuovi algoritmi in grado di rilevare moltissimi segnali durante i processi di carica e scarica.

Il dott. Alpha Lee del Cavendish Laboratory di Cambridge, che ha co-condotto la ricerca ha affermato:

Sicurezza e affidabilità sono i criteri di progettazione più importanti in quanto sviluppiamo batterie in grado di contenere molta energia in un piccolo spazio. Migliorando il software che monitora la carica e la scarica e utilizzandone uno basato sui dati per controllare il processo di carica, credo che potremmo ottenere un grande miglioramento delle prestazioni delle batterie.

I ricercatori hanno eseguito oltre 20.000 misurazioni sperimentali per addestrare il modello, il più grande set di dati del suo genere. È importante sottolineare che il modello impara a distinguere i segnali importanti dal rumore irrilevante. Il loro metodo non è invasivo ed è un semplice componente aggiuntivo adattabile a qualsiasi sistema di batterie esistente.

I ricercatori hanno anche dimostrato che il modello di apprendimento automatico può dare importanti suggerimenti sul meccanismo fisico di degrado: può indicare per esempio quali siano i segnali elettrici maggiormente correlati all’invecchiamento, il che a sua volta consentirebbe di progettare esperimenti specifici per sondare perché e come le batterie si degradano.

Il primo autore Dr Yunwei Zhang, anch’esso del Cavendish Laboratory, ha dichiarato:

L’apprendimento automatico integra e migliora la comprensione fisica. I segnali interpretabili identificati dal nostro modello sono un punto di partenza per futuri studi teorici e sperimentali

I ricercatori stanno ora utilizzando l’intelligenza artificiale per comprendere il degrado nei diversi composti chimici delle batterie. Stanno anche sviluppando protocolli ottimali di ricarica della batteria, alimentati dall’apprendimento automatico, per consentire una ricarica rapida e ridurre al minimo l’usura.