Batteria dell'auto elettrica, l'IA svela quanta vita resta

Dopo cinque anni di ricariche, quanta autonomia resta davvero alla batteria di un'auto elettrica? Per scoprirlo, oggi ci si affida ai sensori di bordo e ad algoritmi che imparano dai dati raccolti durante migliaia di cicli di laboratorio. Ma fare una stima precisa non è sempre facile: eppure, sapere quanto è invecchiata la batteria è fondamentale per capire quanta strada può fare ancora.

Una nuova ricerca, pubblicata il 10 ottobre, prova a fare un passo avanti. Gli scienziati hanno sviluppato una rete neurale a doppio percorso che combina intelligenza artificiale e leggi della fisica per misurare lo stato di salute delle batterie agli ioni di litio.

Nei test, il margine di errore è sceso fino allo 0,69% sulle singole celle e allo 0,29% su un pacco batteria completo assemblato per l'esperimento. In pratica, una stima molto più vicina al valore reale, che potrebbe aiutare a capire meglio quanta vita resta alla batteria.

Un doppio binario per leggere la batteria

L'idea è semplice: invece di mettere tutti i dati nello stesso calderone, la rete neurale li analizza attraverso due percorsi separati. Il primo studia le curve di capacità incrementale, una sorta di impronta digitale della batteria: osservando come cambia la carica al variare della tensione, si possono individuare picchi e forme che rivelano quanto le celle sono invecchiate. Il secondo analizza invece i parametri che descrivono il comportamento della batteria in tempo reale, per capire in quali condizioni si trova.

Analisi batterie con reti neurali a doppio flusso: dati di degrado e parametri live in parallelo

Foto di: Motor1 Italia visual (AI-assisted)

La novità sta proprio nel far lavorare questi due percorsi in parallelo, senza confondere informazioni diverse fin dall'inizio. È un approccio che punta a sfruttare il meglio di entrambi i mondi: da una parte i dati raccolti, dall'altra le leggi della fisica che spiegano come funziona una batteria. Il motivo è pratico: l'intelligenza artificiale basata solo sui dati ha bisogno di moltissimi esempi per fare previsioni affidabili, mentre i modelli fisici possono diventare difficili da gestire quando entrano in gioco tante variabili.

Mettere insieme i due approcci, mantenendo separate le informazioni in partenza, può aiutare a ottenere stime più precise senza complicare inutilmente il modello.

Che cosa resta da dimostrare

Risultati così precisi restano, per ora, circoscritti al banco di prova. Un metodo simile, basato su spettroscopia d'impedenza elettrochimica e rete convoluzionale multiscala, ha ottenuto un errore quadratico medio dello 0,74% e un errore assoluto medio dello 0,60% su batterie di test, superando i confronti con altri modelli di apprendimento automatico: la direzione sembra condivisa da più gruppi di ricerca, non isolata a un solo laboratorio.

Una roadmap pubblicata il 30 settembre ricorda però che nessuna tecnica da sola basta a descrivere il degrado e la sicurezza di una batteria. Serve incrociare segnali di superficie, dati raccolti in tempo reale e algoritmi physics-informed: una fusione che molti sistemi di gestione batteria di serie non implementano ancora in forma avanzata, anche se alcune soluzioni industriali iniziano a integrare diagnostica più sofisticata.

Per la maggior parte delle elettriche in circolazione lo stato di salute mostrato dal cruscotto resta quindi una stima prudente, costruita su poche grandezze misurabili in esercizio. Il percorso verso stime così accurate in auto passa ancora da modelli dedicati alla previsione della durata e da approcci come quello della raccolta di dati reali su larga scala, prima che queste architetture a doppio percorso arrivino davvero sui sistemi di bordo.

Leggi anche

Questa batteria di casa promette di tenere accesa tutta l’abitazione da sola

ACC produrrà celle per batterie per Mercedes dal 2027