⚡ electrical engineering

Impact of Physics-Informed Features on Neural Network Complexity for Li-ion Battery Voltage Prediction in Electric Vertical Takeoff and Landing Aircrafts

Questo studio dimostra che l'integrazione di caratteristiche basate sulla fisica nei modelli di apprendimento automatico permette di prevedere la tensione delle batterie per eVTOL con un'elevata precisione, riducendo fino al 75% la complessità computazionale e il numero di parametri rispetto ai modelli puramente basati sui dati.

Autori originali: Eymen Ipek, Mario Hirz

Pubblicato 2026-02-10

📖 3 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Eymen Ipek, Mario Hirz

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Il Problema: Il "Cuore" degli eVTOL e il dilemma del computer

Immaginate un eVTOL (un taxi volante elettrico) che deve decollare. Per farlo, ha bisogno di una spinta enorme e immediata. Questa spinta viene dalle sue batterie, che sono come il "cuore" del velivolo.

Il problema è che queste batterie sono "capricciose": quando chiedi loro tantissima energia tutta insieme (come durante il decollo), la loro tensione (il voltaggio) può crollare improvvisamente. Se il computer di bordo non prevede questo calo con precisione millimetrica, il volo potrebbe diventare pericoloso.

Per prevedere cosa farà la batteria, gli ingegneri hanno due strade, ma entrambe hanno un difetto:

La strada della "Logica Pura" (Modelli Fisici): È come avere un manuale di istruzioni dettagliatissimo che spiega ogni singola molecola della batteria. È precisissimo, ma è così pesante e complicato che il computer di bordo (che è piccolo e deve gestire anche il volo) non riesce a leggerlo abbastanza velocemente. È come cercare di risolvere un'equazione di fisica quantistica mentre stai guidando una Ferrari.
La strada dell' "Intuizione Pura" (Intelligenza Artificiale/Deep Learning): È come un pilota che ha visto migliaia di voli e "sente" cosa succederà basandosi solo sull'esperienza. È velocissimo, ma non capisce le leggi della fisica. Se si trova in una situazione mai vista prima (un clima strano o un uso della batteria insolito), va nel panico e sbaglia clamorosamente perché non ha "regole" a cui aggrapparsi.

La Soluzione: L'Ingegnere con l'Intuizione (Physics-Informed Machine Learning)

Gli autori di questo studio hanno creato una terza via, una sorta di "Ibrido Intelligente".

Immaginate di dover insegnare a un apprendista meccanico a riparare un motore.

Invece di lasciarlo solo a guardare video su YouTube (AI pura), che potrebbe imparare cose sbagliate...
...e invece di costringerlo a studiare 10 anni di manuali tecnici prima di toccare una chiave inglese (Fisica pura)...
...gli date un manuale base (la fisica) e gli dite: "Usa queste regole fondamentali come base, e poi usa il tuo intuito per correggere i piccoli errori che il manuale non riesce a spiegare".

Questo è quello che hanno fatto con la PINN (Physics-Informed Neural Network). Hanno dato all'intelligenza artificiale una "base di partenza" basata sulle leggi della fisica (un modello chiamato 2RC). L'IA non deve più imparare tutto da zero; deve solo imparare a correggere i piccoli errori del modello fisico.

I Risultati: Meno peso, più precisione

I risultati sono stati sorprendenti, quasi come se avessero costruito un'auto che è contemporaneamente più leggera e più veloce:

Meno "Cervello" necessario: L'intelligenza artificiale ibrida è molto più piccola. Ha bisogno di circa il 75% in meno di parametri (immaginate di passare da un computer enorme che occupa una stanza a un piccolo chip che sta in tasca).
Più precisione: Nonostante sia più piccola e "leggera", è molto più precisa. Gli errori sono stati ridotti del 50% rispetto ai modelli di intelligenza artificiale tradizionali.
Pronta per il volo: Poiché è leggera e veloce, può essere installata direttamente sui piccoli computer di bordo dei taxi volanti (l'Edge AI), garantendo sicurezza in tempo reale senza appesantire il sistema.

In sintesi

Il paper dimostra che non serve un'intelligenza artificiale gigantesca se le dai le giuste basi scientifiche. Insegnando alla macchina le "regole del gioco" della fisica, otteniamo un sistema piccolo, leggero e incredibilmente preciso, perfetto per far volare il futuro della mobità elettrica.

Riassunto Tecnico: Impatto delle Caratteristiche Physics-Informed sulla Complessità delle Reti Neurali per la Predizione della Tensione in Batterie Li-ion per eVTOL

1. Il Problema (Problem Statement)

L'elettrificazione dei velivoli a decollo e atterraggio verticale (eVTOL) richiede sistemi di gestione delle batterie (BMS) estremamente precisi, in grado di prevedere la risposta della tensione sotto profili di potenza molto aggressivi (picchi durante il decollo e l'atterraggio).
Attualmente, la modellazione si divide in due approcci con limiti intrinseci:

Modelli basati sulla fisica (es. P2D o ECM): Offrono interpretabilità ma sono computazionalmente troppo onerosi per il controllo in tempo reale o faticano a gestire le non-linearità ad alti regimi di scarica (C-rate).
Modelli basati sui dati (Deep Learning/FNN): Sono accurati nel catturare comportamenti complessi ma agiscono come "black box", richiedono architetture pesanti (molti parametri) e soffrono di scarse capacità di estrapolazione al di fuori del set di addestramento.
Il problema centrale è trovare un equilibrio tra fedeltà del modello e efficienza computazionale per l'implementazione su hardware embedded (Edge AI) con risorse limitate.

2. Metodologia (Methodology)

La ricerca propone un approccio di Physics-Informed Machine Learning (PIML) attraverso un modello surrogato ibrido.

Dataset: È stato utilizzato un dataset open-source specifico per eVTOL, che include dati di ciclaggio sotto profili di missione dinamici. Per testare la generalizzazione, il modello è stato addestrato su quattro celle (VAH05, 10, 12, 26) con diverse condizioni termiche e di carico, e testato su una cella mai vista prima (VAH11).
Approccio FNN (Feedforward Neural Network): Un modello puramente data-driven dove la tensione predetta $V_{pred}$ è una funzione diretta degli input grezzi (tempo, corrente, SoC, temperatura, ciclo).
Approccio PINN (Physics-Informed Neural Network): Un modello a residuo ibrido. Invece di far apprendere tutto alla rete, si utilizza un modello a circuito equivalente di secondo ordine (2RC) per fornire una stima fisica iniziale ( $V_{phy}$ $V_{p h y}$ ). La rete neurale ha il compito limitato di apprendere solo il termine di correzione residuo ( $\Delta V_\theta$ $Δ V_{θ}$ ).
- Formula: $V_{pred} = V_{phy} + \Delta V_\theta(x)$
- Gli input della rete sono arricchiti con termini derivati dalla fisica (stati di polarizzazione $V_{RC}$ , OCV, ecc.), riducendo lo spazio di ricerca della rete stessa.

3. Contributi Chiave (Key Contributions)

Iniezione di Conoscenza Fisica: Dimostrazione che l'integrazione di un modello elettrico (2RC) come "prior" permette di guidare l'apprendimento della rete neurale.
Compressione del Modello: Dimostrazione che l'uso di informazioni fisiche permette di ridurre drasticamente il numero di parametri addestrabili senza perdere accuratezza.
Ottimizzazione per l'Edge AI: Proposta di un framework adatto per l'implementazione su sistemi BMS embedded, dove la memoria e la potenza di calcolo sono critiche.

4. Risultati (Results)

I risultati mostrano un netto vantaggio per l'approccio PINN rispetto alle FNN:

Accuratezza: Il modello PINN ottimale (2 strati, 64 neuroni) ha raggiunto un RMSE di 20,1 mV e un $R^2$ del 99,2%. Al contrario, la FNN più complessa (4 strati, 128 neuroni) ha ottenuto un RMSE di 39,2 mV.
Riduzione dell'Errore: I modelli PINN hanno ridotto sia l'RMSE che l'errore transitorio di picco di circa il 50% rispetto alle FNN.
Efficienza Parametrica: I modelli PINN hanno utilizzato fino al 75% in meno di parametri addestrabili rispetto ai modelli data-driven puri, pur mantenendo prestazioni superiori.

5. Significato e Conclusioni (Significance & Conclusion)

Lo studio conclude che l'integrazione della fisica non solo migliora la precisione della predizione della tensione (fondamentale per la stima sicura di SoC e SoP nei voli eVTOL), ma permette una drastica compressione del modello. Questo rende i modelli PINN candidati ideali per l'intelligenza artificiale di bordo (on-board), garantendo un compromesso ottimale tra la robustezza dei modelli fisici e la flessibilità del deep learning.