E se l'intelligenza artificiale imparasse la fisica per raffreddare i motori elettrici?

I motori elettrici sono ovunque: auto, droni, robot. Ma hanno un nemico invisibile: il calore. Se si surriscaldano troppo, i magneti permanenti perdono forza e il motore si rompe. Prevedere la temperatura esatta dentro ogni parte del motore è difficile. I metodi classici usano equazioni fisiche: sono veloci ma poco precisi quando la potenza sale. Le reti neurali pure sono accurate ma non spiegano il perché.

Arriva OLTEM, un modello ibrido che unisce il meglio dei due mondi. I ricercatori hanno preso una rete termica a parametri concentrati (LPTN), basata sulla fisica, e l'hanno inserita dentro una rete neurale ricorrente. Così il modello "capisce" le leggi termiche e impara dai dati reali.

Due trucchi rendono OLTEM speciale. Primo: un meccanismo di attenzione (SC-SE) che adatta i pesi della rete in base alla temperatura attuale. Secondo: una sotto-rete per le perdite di potenza che rispetta vincoli fisici, come il fatto che il calore non può essere negativo.

Testato su un dataset pubblico dell'Università di Paderborn, OLTEM batte sia la rete neurale classica che un modello CNN-RNN. L'errore massimo resta sotto gli 8-9 gradi Celsius anche in condizioni estreme. Inoltre, mantiene l'interpretabilità: ingegneri possono vedere come il calore fluisce tra statore, avvolgimenti e magneti.

Questa fisica informata dall'IA aiuterà a progettare motori più compatti, efficienti e sicuri. Il prossimo passo? Testare il trasferimento su altre macchine e ridurre gli errori nei cambiamenti bruschi di carico.

OLTEM (Lumped Thermal and Deep Neural Model) affronta il limite fondamentale delle reti termiche a parametri concentrati (LPTN): l'incapacità di catturare non-linearità forti ad alta densità di potenza senza calibrazione manuale continua. L'architettura incapsula l'LPTN in una formulazione spazio-stati ricorrente a tempo discreto: x_{k+1} = A(θ)x_k + B(θ)u_k, dove θ include conduttanze termiche, capacità inverse e perdite di potenza. Questi parametri non sono fissi ma predetti da tre sottomoduli neurali.

L'innovazione chiave è il blocco State-Conditioned Squeeze-and-Excitation (SC-SE). A differenza dell'attenzione SE classica che pesa canali globalmente, SC-SE condiziona i pesi sullo stato termico istantaneo x_k, permettendo al modello di modulare dinamicamente l'importanza dei percorsi termici (es. conduttanza statore-rotore) al variare del regime operativo.

Il modulo perdite usa un MLP profondo con attivazione Softplus per garantire non-negatività (P_loss ≥ 0), vincolo fisico essenziale spesso violato da regressioni libere. L'addestramento minimizza MSE su quattro temperature target (magneti, giogo, denti, avvolgimenti) con regolarizzazione L2 sui pesi θ per stabilità.

Risultati sul dataset Paderborn (profilo WLTP e cicli dinamici): MSE medio < 4 °C² su tutti i componenti; errore assoluto max 4,3–8,2 °C. Ablation study: rimuovendo SC-SE l'MSE sale del 12-18%; rimuovendo il modulo perdite vincolato sale del 9-15%. La complementarità è statistica: SC-SE cattura dinamiche spaziali, il modulo perdite accuratezza dell'eccitazione termica.

Limiti: orizzonte di previsione breve (passi da 0,1 s); generalizzazione su geometrie non viste richiede fine-tuning. Lavori futuri: embedding geometrico per transfer learning zero-shot e quantizzazione per deployment su MCU automotive.