Nel racconto sull’evoluzione delle batterie c’è sempre una sorta di doppio registro. Da un lato i progressi sono evidenti: autonomie più generose, ricariche meno eterne, maggiore stabilità. Dall’altro, chi segue davvero il settore sa che non sta vivendo una rivoluzione clamorosa, ma una lenta e costante opera di rifinitura. E mentre i miglioramenti si accumulano, resta una variabile che continua a tormentare ingegneri e aziende: la durata reale. Le batterie non “muoiono” all’improvviso, scivolano gradualmente verso il degrado, perdendo capacità e affidabilità. Prevedere con precisione tale percorso è complicato, eppure fondamentale. Perché da quella previsione dipendono garanzie, costi, strategie industriali, perfino la fiducia dei consumatori.
L’AI prevede la durata della batteria? Ecco come
Tradizionalmente, capire quanto a lungo una batteria possa mantenere prestazioni accettabili significa sottoporla a una maratona di test. Centinaia, talvolta migliaia di cicli di carica e scarica. Un lavoro lungo, meticoloso, che divora mesi e spesso anni. Tempi incompatibili con la velocità a cui oggi si vorrebbe innovare. È qui che la ricerca dell’University of Michigan introduce un cambio di passo interessante. I ricercatori hanno sviluppato un sistema di apprendimento automatico capace di stimare la vita operativa di una batteria dopo appena 50 cicli. Un numero sorprendentemente basso, se confrontato con gli standard classici. Non si parla di una stima grossolana, ma di una previsione che, secondo i risultati pubblicati, riesce a mantenere un livello di affidabilità notevole.
L’aspetto più affascinante, però, è il modo in cui questo risultato viene raggiunto. Non c’è un unico algoritmo “onnisciente”, ma un insieme di modelli che collaborano. Uno individua quali celle testare e sotto quali condizioni; un altro interpreta i dati alla luce di modelli fisici. Un terzo integra le informazioni per proiettare l’intero ciclo di vita. Più che un software monolitico, sembra un ecosistema decisionale.
Tale approccio ibrido, che intreccia dati sperimentali e conoscenze fisico-chimiche, consente all’intelligenza artificiale di andare oltre la semplice lettura dei parametri elettrici. Il sistema tiene conto, ad esempio, degli effetti dello stress termico sugli elettrodi o delle trasformazioni interne che si accumulano durante i cicli ripetuti. In pratica, non si limita a osservare cosa accade, ma inizia a interpretarne il perché. Per evitare che tutto restasse confinato a simulazioni e prototipi da laboratorio, il metodo è stato testato su celle reali prodotte da Farasis Energy. I risultati hanno mostrato che il modello funziona anche con le celle pouch, più grandi e comunemente impiegate nei veicoli elettrici. Un passaggio cruciale, perché dimostra che la tecnica non è legata a un contesto sperimentale troppo “pulito”. Se davvero tale tipo di previsione riuscirà a ridurre del 95% tempi e costi dei test di durata, le implicazioni saranno notevoli.
