Sintesi Tecnica: Osservabilità interna a singola fibra nelle batterie agli ioni di litio

Problema

I sistemi di gestione delle batterie (BMS) agli ioni di litio si affidano attualmente a un set ristretto di osservabili esterne — temperatura superficiale, tensione ai terminali e corrente — per inferire gli stati di sicurezza interni. Questo "gap di osservabilità" impedisce la rilevazione di fenomeni interni critici come il plating del litio localizzato, la fatica del separatore e i precursori del runaway termico prima che si manifestino come segnali di avviso esterni. Di conseguenza, le strategie BMS devono operare con margini di sicurezza conservativi, sacrificando l'energia utilizzabile, la velocità di carica e la durata del ciclo.

Sebbene i sensori a reticolo di Bragg in fibra (FBG) integrati offrano una via diretta verso gli stati interni, essi affrontano un limite fisico fondamentale: uno spostamento della lunghezza d'onda FBG singolo ($\Delta\lambda_B$) è una misurazione sottodeterminata che confonde temperatura ($\Delta T$) e deformazione meccanica ($\varepsilon$). Per gli intervalli operativi rilevanti per le batterie, questi due contributi sono di magnitudo comparabile, rendendo impossibile il disaccoppiamento tramite metodi algebrici da soli senza introdurre hardware complesso o violare le leggi fisiche. I modelli basati sui dati esistenti spesso non riescono a produrre ricostruzioni fisicamente ammissibili, mentre il disaccoppiamento basato su hardware introduce complessità di packaging e concentrazioni di stress.

Metodologia: FBG-PhysNet

Gli autori propongono FBG-PhysNet, un framework ricorrente a due rami, informato dalla fisica, progettato per risolvere il problema dell'osservabilità a singola fibra in tempo reale. L'architettura integra tre componenti principali:

1. Backbone Dual-Branch RWKV-7:

   • Il modello utilizza due rami RWKV-7 (Recurrent Weighted K-Vector) parametrizzati indipendentemente: il Ramo A per la stima termica e il Ramo B per la stima della deformazione.
   • Ogni ramo consiste in 4 strati con una dimensione del modello ($d_{model}$) di 128 e 4 teste di attenzione.
   • Efficienza della memoria: L'architettura RWKV-7 mantiene una dimensione dello stato ricorrente fissa di 64 KB per blocco (per un totale di 512 KB per lo stato a due rami), indipendente dalla lunghezza della sequenza. Questa impronta di memoria $O(1)$ consente il deployment su microcontrollori di grado automotive (es. STM32H7 con 1 MB di SRAM), a differenza dei modelli basati su Transformer che richiedono una memoria scalabile con la lunghezza del contesto.

2. Condizionamento Q-FiLM:

   • Per affrontare la variazione di ordine di grandezza nella generazione di calore elettrochimico ($Q_{gen}$) tra i diversi cicli di guida (dalla guida urbana alla ricarica rapida 2C), il modello impiega un modulo Q-FiLM (Feature-wise Linear Modulation).
   • Questo modulo inietta le stime di $Q_{gen}$ (derivate da tensione e corrente ai terminali) come vettori di scala e spostamento nella rappresentazione latente ad ogni strato. Ciò consente alla rete di adattare dinamicamente il proprio spazio delle caratteristiche al regime termico operativo corrente senza richiedere modelli separati per ogni tipo di ciclo.

3. Cross-Gating e Loss Fisica a Nove Termini:

   • Cross-Gating: Un meccanismo che scambia informazioni sulle condizioni al contorno tra i rami termico e di deformazione. Questo cattura il coupling fisicamente necessario ($\varepsilon_{th} = \alpha_{CTE}\Delta T$) senza confondere i gradi di libertà, consentendo la risoluzione della deformazione meccanicamente indipendente ($\varepsilon_{mech}$).
   • Gerarchia della Loss informata dalla fisica: L'obiettivo di addestramento combina la loss supervisionata dei dati con nove vincoli fisici differenziabili:
     1. MSE supervisionata su $\Delta T$ e $\varepsilon$.
     2. Consistenza Ottica FBG: Impone che le predizioni giacciano sulla varietà del vincolo di Bragg ($\Delta\lambda_B = K_T \Delta T + K_\varepsilon \varepsilon$).
     3. Residuo dell'equazione differenziale (PDE) di conduzione del calore: Impone l'equazione del calore a parametri concentrati.
     4. Conservazione dell'Energia Globale: Assicura il bilancio termico sull'intero intervallo temporale.
     5. Limiti del tasso di deformazione: Limita la velocità di variazione della deformazione.
     6. Fattibilità di snervamento: Assicura che la deformazione rimanga entro i limiti di snervamento del materiale.
     7. Fattibilità dello Stato di Carica (SOC): Vincola le stime SOC nell'intervallo $[0,1]$.
     8. Smoothing Temporale.
     9. Regolarizzazione L2.
   • L'addestramento segue un "curriculum di fisica", partendo dal fitting dei dati e aumentando gradualmente i pesi della fisica (di un fattore 40) per passare al raffinamento vincolato dalla fisica.

Risultati Chiave

Il framework è stato validato su 75.120 finestre hardware-in-the-loop (HIL) derivate da un modello elettrochimico P2D Doyle-Fuller-Newman calibrato, coprendo cinque regimi operativi: UDDS, WLTP, Autostrada, ricarica rapida 2C e frenata di emergenza.

• Accuratezza: FBG-PhysNet ha raggiunto un Errore Assoluto Medio (MAE) di 2,270 K per la temperatura interna e 21,94 $\mu\varepsilon$ per la deformazione.
• Performance di Disaccoppiamento (Cross-Talk): Il modello ha ridotto il rapporto di cross-talk (CT) al 58,6%. Questo è un miglioramento significativo rispetto al miglior baseline consapevole della fisica (PINN-MLP al 77,3%) e scende al di sotto del limite di riferimento di routing termico specifico di 71,3%. Ciò indica che il modello recupera con successo la deformazione meccanicamente indipendente piuttosto che limitarsi a sottrarre l'espansione termica.
• Convergenza Fisica: Su 47 epoche di addestramento, il modello ha dimostrato un rinforzo reciproco tra conformità fisica e accuratezza della predizione. Il residuo di conservazione dell'energia è diminuito del 75%, e il residuo della PDE del 44%. La metrica di auto-consistenza ottica FBG ($\chi^2_{FBG}$) è migliorata da 0,773 a 0,906, avvicinandosi al valore ideale di 1,0.
• Studi di Ablazione: Rimuovere tutti i vincoli fisici (Abl-A) ha aumentato il MAE della temperatura del 46,6% e il rapporto di cross-talk all'87,2%. Rimuovere il Cross-Gating (Abl-C) ha portato a un rapporto di cross-talk esattamente pari a 71,3%, confermando che senza questo meccanismo, il modello non può risolvere la componente di deformazione meccanicamente indipendente.
• Robustezza: Sebbene il modello abbia mostrato un errore di temperatura più elevato (4,280 K) in scenari estremi di ricarica rapida 2C (dove $Q_{gen}$ superava la media di addestramento di 13 volte), il rapporto di cross-talk è rimasto invariato al 58,6%, dimostrando che la qualità del disaccoppiamento fisico è robusta rispetto all'intensità del ciclo di guida.

Significato e Rivendicazioni

Il paper sostiene che la sicurezza interna della batteria può essere riformulata come un problema di osservabilità. Ricostruendo in tempo reale temperatura e deformazione interna da un singolo segnale ottico integrato, il framework consente di passare da margini di sicurezza statici basati sul caso peggiore a un controllo adattivo basato sullo stato termomeccanico effettivo della cella.

Gli autori evidenziano tre implicazioni specifiche:

1. Longevità della Batteria e Utilizzo della Capacità: La consapevolezza della deformazione in tempo reale permette ai BMS di stringere i limiti di corrente solo quando la deformazione si avvicina ai confini di sicurezza (es. la deformazione di snervamento di 20.000 $\mu\varepsilon$ della grafite), potenzialmente recuperando il 3–8% della capacità utilizzabile in applicazioni ad alta potenza rispetto al derating costante.
2. Ricarica Rapida DC (DCFC): La capacità del modello di predire la temperatura del core con bassa latenza supporta il monitoraggio termico rapido, potenzialmente riducendo le interruzioni di ricarica e aumentando il throughput nelle infrastrutture esistenti senza nuovi hardware.
3. Passaporto della Batteria ed Economia del Second-Life: Il tracciamento degli stati interni, ancorato alla fisica e auto-consistente, fornisce i dati di ciclo di vita di grado normativo richiesti per la certificazione "Battery Passport", consentendo una valutazione più accurata dei pacchi usati per applicazioni secondarie.

Fondamentalmente, gli autori affermano che il comunemente assunto limite di "accoppiamento irreducibile" nei sistemi FBG a singolo sensore non è una barriera fisica fondamentale, ma un limite degli approcci di modellazione esistenti. Imparando una rappresentazione in cui la deformazione meccanicamente indipendente è esplicitamente risolta, FBG-PhysNet opera oltre i limiti convenzionali. Il lavoro conclude che il limite fondamentale degli attuali sistemi di batteria non è la performance dei materiali, ma l'osservabilità; risolvere questo gap permette di ridefinire i limiti operativi senza cambiare la chimica o l'hardware.