A Repeated Measurements Approach to $SoH$ Battery Modelling of Cyclic Aged Data in a Laboratory Environment

Le batterie sono i motori silenziosi del mondo moderno, che alimentano tutto, dai telefoni nelle nostre tasche alle auto sulle nostre strade. Eppure, come tutti gli esseri viventi, invecchiano. Con il passare del tempo, le reazioni chimiche all'interno di una cella di batteria si degradano, causando una minore capacità di trattenere l'energia rispetto a quando era nuova. Gli scienziati chiamano questo processo "stato di salute", una misura di quanta vita rimane in una batteria prima che si esaurisca. Comprendere esattamente come e perché ciò accada è fondamentale per costruire sistemi di accumulo di energia migliori, più sicuri e più longevi. In un ambiente di laboratorio, i ricercatori possono osservare questo processo svoltarsi sottoponendo le celle delle batterie a cicli ripetuti di carica e scarica, proprio come un cuore che batte. Tuttavia, osservare una singola batteria che invecchia non è sufficiente; per comprendere la vera natura della vita di una batteria, gli scienziati devono osservare molte batterie contemporaneamente, tracciando come cambiano nel tempo e come differiscono l'una dall'altra. La sfida risiede nei dati stessi: non sono solo una collezione di punti casuali, ma una serie di storie connesse, dove ogni batteria ha il proprio percorso unico di declino, influenzato sia dalle condizioni del test che dalle proprie peculiarità interne.

In uno studio recente, ricercatori della Loughborough University e della Oxford Brookes University hanno affrontato questa complessità sviluppando un nuovo modo per modellare l'invecchiamento delle batterie. Hanno lavorato con dieci specifiche celle di batteria, tutte realizzate con un catodo al nichel-cobalto-alluminio e un anodo di grafite-silicio, componenti comuni nelle applicazioni ad alte prestazioni. Queste celle sono state collocate in un ambiente controllato a una temperatura costante di 25 gradi Celsius e sottoposte a un rigoroso protocollo di test. Ogni cella è stata scaricata a un ritmo costante, ma la corrente di carica è stata variata, con alcune celle caricate a 1 ampere e altre a ritmi più elevati, fino a 5 ampere. Ogni cinquanta cicli, i ricercatori hanno fatto una pausa per misurare la capacità della cella, calcolando esattamente quanta energia aveva perso rispetto al suo stato originale. Questo processo è continuato fino al guasto delle celle, generando un ricco insieme di dati che mostrava non solo quanta capacità fosse stata persa, ma come il tasso di perdita cambiasse nel tempo per ogni singola cella.

I ricercatori hanno scoperto che l'invecchiamento di queste batterie seguiva un modello prevedibile che poteva essere descritto da una semplice relazione matematica nota come legge di potenza. Ciò significa che la perdita di capacità non avviene in linea retta; al contrario, accelera o decelera in un modo specifico a seconda di come viene utilizzata la batteria. Tuttavia, un modello semplice che osserva ogni batteria isolatamente trascura un pezzo fondamentale del puzzle. Esso non tiene conto del fatto che, sebbene ogni batteria sia unica, tutte condividono una storia comune e sono soggette alle stesse leggi fisiche. Il team si è reso conto che i dati contenevano due tipi distinti di variazione. Il primo era il piccolo rumore casuale che si verifica durante ogni misurazione, come un leggero tremore in un righello. Il secondo era la differenza reale tra le celle, dove una batteria potrebbe invecchiare leggermente più velocemente o più lentamente di un'altra anche sotto condizioni identiche. Per catturare questo, hanno costruito un modello gerarchico, una struttura che tratta i dati come un insieme di storie annidate: la storia individuale di ogni cella all'interno della storia più ampia dell'intero gruppo.

Per dare senso a questa complessa struttura, i ricercatori hanno impiegato un approccio statistico sofisticato che ha permesso di separare il rumore dal segnale. Hanno utilizzato un metodo che essenzialmente smussa gli errori casuali preservando al contempo le vere differenze tra le celle. Questa tecnica, che prevede un processo chiamato regolarizzazione, aiuta a evitare che il modello reagisca eccessivamente alle fluttuazioni minori dei dati, garantendo che l'immagine finale sia chiara e affidabile. Hanno anche sviluppato un modo per individuare e rimuovere automaticamente i punti dati chiaramente errati o outlier, come una misurazione che improvvisamente saltava molto lontano dal percorso previsto, il che avrebbe potuto falsare i risultati. Facendo ciò, hanno garantito che il loro modello fosse costruito sulla rappresentazione più accurata possibile della realtà.

I risultati di questo approccio sono stati sorprendentemente precisi. Il modello è stato in grado di prevedere lo stato di salute delle batterie con un'accuratezza entro lo 0,191 percento per i dati di addestramento specifici presentati. Questo livello di precisione è significativo perché dimostra la capacità del modello di adattarsi efficacemente ai dati osservati in laboratorio. Inoltre, il modello ha fornito un modo per calcolare gli intervalli di confidenza, ovvero intervalli che mostrano quanto sia certa la previsione. Ad esempio, i ricercatori potevano affermare con alta fiducia che la capacità residua di una batteria sarebbe caduta all'interno di una fascia molto stretta, fornendo agli ingegneri uno strumento affidabile per la pianificazione. Lo studio ha anche rivelato che le differenze tra le celle erano piuttosto piccole, suggerendo che, quando vengono prodotte in condizioni controllate, queste batterie sono straordinariamente coerenti. Tuttavia, il modello ha anche evidenziato che il tasso di invecchiamento è fortemente influenzato dalla corrente di carica, con correnti più elevate che portano a diversi schemi di degradazione.

Questo lavoro rappresenta un passo avanti significativo nel modo in cui comprendiamo l'invecchiamento delle batterie. Trattando i dati come una collezione di misurazioni ripetute piuttosto che come punti isolati, i ricercatori hanno creato un modello che riflette la vera struttura del processo di invecchiamento. Esso riconosce che, sebbene ogni batteria abbia la propria personalità, tutte seguono le stesse regole fondamentali. Il modello è uno strumento pratico per analizzare i dati controllati di laboratorio, ma i ricercatori notano che applicarlo agli scenari del mondo reale richiede modifiche. Nelle applicazioni reali, come i veicoli elettrici, lo stress da invecchiamento applicato al pacco batteria varia in base alle condizioni ambientali, alle pratiche di ricarica e all'uso del cliente. Di conseguenza, la struttura del modello deve essere adattata per gestire queste variabili dipendenti dal tempo. Sebbene lo studio sia stato condotto in un laboratorio controllato con condizioni costanti, i ricercatori suggeriscono che estensioni ai protocolli di covariata dipendenti dal tempo potrebbero affrontare il problema dell'analisi in servizio nel mondo reale. La capacità di prevedere accuratamente quando una batteria si esaurirà è una capacità potente, che potrebbe portare a sistemi energetici più sicuri, efficienti e longevi per il futuro. Lo studio conferma che, con gli strumenti matematici giusti, il viaggio complesso e spesso imprevedibile della vita di una batteria può essere mappato con straordinaria chiarezza, a condizione che il modello sia adeguatamente adattato alle specifiche condizioni del suo utilizzo.