Auto elettriche, il gelo confonde le batterie

Quando le temperature scendono sotto zero, capire quanta energia resta davvero in una batteria agli ioni di litio diventa molto più complicato. Il problema è che la tensione a circuito aperto, uno dei parametri usati per stimare la carica residua, tende a rimanere quasi invariata per lunghi tratti. E il freddo rende tutto ancora più difficile, mettendo in crisi le previsioni dei modelli.

Uno studio pubblicato di recente ha provato a misurare proprio questo limite. I ricercatori hanno addestrato un modello su una cella e poi gli hanno chiesto di stimare la carica di un'altra, mai incontrata prima, sottoponendola a temperature comprese tra −20 e 45 °C.

Un test tutt'altro che semplice, che mostra quanto sia difficile trasformare i risultati ottenuti in laboratorio in una tecnologia affidabile nella vita reale.

Stima dello stato di carica delle batterie a temperature non viste

Il test più severo è il cosiddetto trasferimento zero-shot: il modello non ha mai incontrato la cella bersaglio né le sue temperature estreme. Passando a una cella Hina commerciale diversa da quella di addestramento, l'errore di stima è salito tra il 22,53% e il 36,21% alle temperature di −20, −10, 5 e 45 °C, un margine troppo ampio per fidarsi dell'indicatore di carica in auto.

Dando al modello il 25% dei dati reali della cella target da usare come calibrazione, l'errore è sceso tra il 14% e il 27,4%: ancora alto, ma la direzione è chiara. Più dati della cella specifica il sistema vede, più la stima si avvicina alla realtà, anche quando le temperature restano quelle più ostili.

Lo stesso schema si ripete su un pacco batteria completo, il CVUT 4S11P: l'errore zero-shot è stato del 27–29%, e con l'adattamento sui primi dati raccolti in ordine temporale è calato al 12–19,7%. Il divario tra cella singola e pacco multiplo che gestisce celle con comportamenti diversi tra loro resta comunque un ostacolo pratico.

Domain generalization: come il modello gestisce il cambio di temperatura

La domain generalization, cioè la capacità di un modello di restare accurato fuori dalle condizioni in cui è stato addestrato, è il vero banco di prova qui. Un algoritmo che funziona benissimo sui dati di laboratorio può fallire su una cella diversa o su temperature mai incontrate prima, perché il comportamento elettrochimico cambia con il freddo in modi che i dati di partenza non catturano.

Una ricerca pubblicata il 6 novembre individua proprio qui il nodo: i modelli basati sui dati servono di dataset ampi e diversificati, che coprano età della batteria, temperature, intervalli di carica, protocolli di ricarica e stili di guida. Anche i dati raccolti da flotte reali, però, spesso trascurano temperature estreme, ricariche rapide e invecchiamento avanzato, lasciando buchi proprio dove servirebbe più copertura.

Per colmare questi vuoti, lo stesso lavoro indica il transfer learning e la generazione di dati sintetici come strade percorribili, insieme a strategie già esplorate da altri gruppi di ricerca che combinano modelli fisici e algoritmi di intelligenza artificiale per prevedere con più margine la vita residua delle celle. Resta però una distinzione da tenere a mente: i risultati qui descritti vengono da celle e pacchi testati in condizioni controllate, non da una validazione su un'auto elettrica completa in uso quotidiano, dove sensori, cablaggi e software di bordo introducono altre variabili.

Leggi anche

Questa batteria allo stato solido si carica al 70% in meno di 12'

Il robot di BYD ricarica l’auto da solo a 1.000 kW