Come può una rete neurale “fisica” migliorare la vita delle batterie?

Le batterie al litio sono il cuore dei nostri smartphone, laptop e auto elettriche, ma col tempo perdono capacità. Sapere quanto è in salute una batteria, cioè il suo State of Health (SOH), è fondamentale per usarla in sicurezza. Un team di ricercatori ha creato LSTM‑PINN, un modello ibrido che unisce due tecnologie: la rete LSTM, brava a capire sequenze temporali, e la Physics‑Informed Neural Network, che incorpora leggi fisiche reali nel processo di apprendimento. In pratica, il modello traduce le equazioni che descrivono l’invecchiamento della batteria in un “linguaggio” comprensibile alla rete neurale, evitando così errori tipici di approcci puramente statistici. I risultati, testati su due dataset pubblici (NASA e CYCLE), mostrano errori di previsione inferiori all’1 %: MAE di 0,594 % e 0,746 % e RMSE di 0,791 % e 0,897 %. Questo significa che LSTM‑PINN può prevedere con grande precisione quando una batteria inizierà a degradarsi, aiutando produttori e utenti a gestire meglio la manutenzione e a prolungare la vita dei dispositivi. In futuro, tecnologie simili potrebbero diventare standard per monitorare l’energia di tutti i nostri gadget, rendendo la tecnologia più affidabile e sostenibile.

Il modello LSTM‑PINN si basa su una formulazione state‑space che descrive la dinamica di degradazione della batteria come un sistema lineare‑non lineare dipendente da variabili interne (come la concentrazione di litio) e esterne (temperatura, corrente). L'LSTM cattura le dipendenze temporali a lungo termine, riducendo l’effetto del vanishing gradient grazie alle sue porte di input, forget e output. Il PINN, invece, incorpora le equazioni di diffusione di Fick e le leggi di Butler‑Volmer come vincoli di regolarizzazione nel loss function, forzando la rete a rispettare la fisica del processo elettrochimico. Il Deep Hidden Temporal Physical Module (DeepHTPM) funge da ponte, integrando le feature latenti dell'LSTM con i termini fisici, permettendo al modello di apprendere sia pattern statistici sia comportamenti deterministici. L’addestramento avviene su dataset con cicli di carica‑scarica, dove le misure di tensione, corrente e temperatura sono normalizzate e sincronizzate. La validazione su NASA e CYCLE mostra che l’inclusione dei vincoli fisici riduce significativamente l’overfitting, migliorando la capacità di generalizzazione a nuovi cicli di vita della batteria. Questo approccio ibrido apre la strada a modelli predittivi più robusti per sistemi energetici complessi, con potenziali applicazioni in gestione di flotte di veicoli elettrici e reti di stoccaggio energetico.