Secondo l'Electric Vehicle Outlook 2018 di Bloomberg New Energy Finance entro il 2030 si prevede che le vendite totali di veicoli elettrici (EV) in tutto il mondo supereranno i 30 milioni e i parametri di costo saranno finalmente in linea con il motore a combustione interna. Il veicolo elettrico rappresenta un cambiamento sismico nell'industria automobilistica e il suo potenziale impatto sul business e sull'ambiente è avvincente. Oggi, i dibattiti sull'adozione e la longevità dei veicoli elettrici sono all'ordine del giorno e nessuno più delle potenziali prestazioni delle batterie dei veicoli elettrici. Per gli scienziati restano ancora molte sfide, tra cui la sicurezza della batteria, la densità di energia, le capacità di ricarica e le loro prestazioni all'interno di un'auto.
In questo articolo, il dottor Doron Myersdorf, CEO di StoreDot, esplora come l'IA potrebbe essere la chiave per risolvere questi problemi e il potenziale di questo approccio per il futuro dell'accumulo di energia e dei veicoli elettrici.
La posta in gioco per il mercato globale delle batterie è incredibilmente alta. Secondo il direttore generale della DG Connect presso la Commissione europea Roberto Viola si stima che dal 2025 varrà oltre 250 miliardi di sterline all'anno, con la possibile creazione di 4 milioni di posti di lavoro nella sola UE. Queste batterie, che sono già essenziali per la maggior parte dei beni di consumo, saranno ancora più vitali per i veicoli elettrici, con un'adozione diffusa incentrata sulle prestazioni.
“Attualmente, nessun produttore automobilistico o di batterie può pretendere di offrire una batteria per veicoli elettrici che si ricarica con la stessa rapidità necessaria per riempire il serbatoio di un veicolo tradizionale a combustibili fossili, né può offrire la stessa autonomia. Ad esempio, la Volkswagen e-Up offre 99 miglia a piena carica e la Tesla Model S 100D ha un'autonomia di 335 miglia a piena carica. Tuttavia, nessuno di questi veicoli può essere ricaricato completamente in pochi minuti. Oggi, una stazione di ricarica Tesla impiegherà 75 minuti per raggiungere la piena carica, mentre SP Group, la più grande rete di veicoli elettrici di Singapore, impiega solo mezz'ora.
“Il potenziale delle batterie agli ioni di litio per risolvere alcuni di questi problemi è enorme. Tuttavia, ci sono una serie di sfide con le batterie agli ioni di litio che impediscono una ricarica rapida:dalla necessità di una maggiore densità di energia, a prestazioni di velocità preminenti e requisiti di sicurezza migliorati. Il superamento dei problemi nella chimica delle batterie è un lento processo di ricerca, in gran parte basato sulla progettazione iterativa della sperimentazione e su tentativi ed errori sistematici. In effetti, molti nuovi progressi falliscono prima di arrivare sul mercato.
“In strutture di ricerca e sviluppo come la nostra, i ciclisti raccolgono informazioni dalle celle della batteria ogni secondo; queste informazioni includono importanti parametri di prestazione come temperatura della cella, resistenza in tempo reale, finestra della tensione operativa, corrente di carica e scarica e livelli di rigonfiamento. Le informazioni vengono raccolte simultaneamente da migliaia di batterie con terabyte di dati raccolti per esperimento. Di conseguenza, il numero di combinazioni per questi materiali è infinito e il numero di esperimenti necessari per testare ciascuna combinazione è altrettanto. È estremamente difficile da risolvere con i tradizionali metodi statistici o manuali.
“Tuttavia, un approccio olistico all'impiego della scienza dei dati nello sviluppo delle batterie potrebbe essere la chiave per risolvere modelli così complessi. L'intelligenza artificiale (AI) è una parola d'ordine oggi. In parole povere, l'intelligenza artificiale o l'apprendimento automatico possono valutare le informazioni e costruire un modello matematico a un ritmo molto più rapido rispetto al cervello umano. AI significa che i sistemi possono imparare e migliorare automaticamente dall'esperienza, senza essere programmati in modo esplicito.
"L'impatto attuale e potenziale dell'IA in più settori è sbalorditivo. Nella produzione, alcune delle più grandi aziende del mondo stanno già utilizzando l'IA con risultati impressionanti. Ad esempio, lo Smart Manufacturing System di Royal Dutch Shell utilizza l'intelligenza artificiale per prevedere la domanda di petrolio, misurare la carenza di offerta e analizzare la miscela/le miscele corrette per un processo di raffinazione esatto. BASF e SAP hanno affermato di aver automatizzato il 94% dell'elaborazione dei pagamenti con l'IA. Il potenziale applicativo dell'IA è ampio –
dalla progettazione e sintesi dei materiali, alla progettazione sperimentale, all'analisi dei guasti e alla riduzione al minimo degli sprechi. Con l'IA è possibile una scienza più intelligente con scoperte significative.
“L'impatto di questo sullo sviluppo della batteria non è da sottovalutare. La tecnologia può sfogliare milioni di record per descrivere la relazione tra i dati misurati e i parametri della batteria. Come produttori, possiamo quindi utilizzarlo per testare milioni di combinazioni di elettroliti, anodi e catodi in qualsiasi momento.
“Gli scienziati non solo possono valutare le batterie in fase di sviluppo, ma possono anche imparare dalle batterie preesistenti per ottenere una migliore comprensione del loro profilo di comportamento in termini di prestazioni e consigliare la soluzione ottimale. La capacità di testare rapidamente combinazioni illimitate significa che la formulazione definitiva dei materiali utilizzati per realizzare la cella della batteria viene raggiunta molto, molto più rapidamente. Ciò riduce drasticamente il numero di esperimenti necessari, riducendo così drasticamente i tempi di sviluppo e riducendo notevolmente i costi di sviluppo. Ad esempio, un team di 50 ricercatori che lavora su una particolare formulazione di batterie può risparmiare fino a 1 milione di dollari al mese in attività di ricerca e sviluppo implementando capacità di apprendimento automatico".
“In StoreDot, una prima incursione in questa tecnica ha prodotto risultati notevoli. Ad esempio, per la prima generazione della nostra tecnologia FlashBattery a ricarica ultra rapida, con l'apprendimento automatico, il nostro team ha scoperto che alcune semplici modifiche nella formazione potrebbero raddoppiare il numero di cicli della batteria in fase di sviluppo da 300 a oltre 600 cicli. È stata questa scoperta che ha ispirato StoreDot a sviluppare e dedicare un intero gruppo di ricerca e sviluppo solo per sviluppare le nostre capacità nell'apprendimento automatico. Questo straordinario risultato viene ora applicato alla prossima generazione della nostra batteria per veicoli elettrici. La ricarica ultraveloce presenta un problema molto complesso:in una metodologia di batteria tradizionale, in genere cambieremmo solo un componente, ma qui potrebbe essere necessario cambiarne molto di più per raggiungere la svolta desiderata. Combinando la scienza dei dati innovativa, alimentata dall'intelligenza artificiale, con competenze in elettrochimica, struttura cellulare, anodi, catodi ed elettroliti, è possibile raggiungere conclusioni molto più complesse.
“Chiaramente, il vantaggio dell'apprendimento automatico durante il processo di ricerca e sviluppo si sta rivelando inestimabile. Tuttavia, questo non è l'unico modo in cui l'IA può essere implementata per far avanzare i veicoli elettrici. Un'applicazione molto diversa e intrigante del machine learning sarebbe implementarlo all'interno del software operativo EV, per monitorare continuamente le prestazioni e lo stato di salute della batteria, misurare i dati in tempo reale, imparare da essi e farli circolare per migliorare le prestazioni del prodotto. Inoltre, creando batterie più intelligenti con capacità di rilevamento integrate e con funzionalità di autorigenerazione, il sistema di gestione della batteria può essere consapevole del proprio "stato di salute" e può persino ringiovanire le celle o i moduli della batteria quando necessario.
“In definitiva, consentendo agli innovatori di modificare più di un componente alla volta e di analizzare le prove più rapidamente, possono raggiungere conclusioni che l'analisi statistica tradizionale non può raggiungere. Questa evidenza consente cicli di sviluppo più rapidi e la capacità di superare problemi che altrimenti non potrebbero essere risolti. Per l'adozione dei veicoli elettrici, questa capacità è fondamentale per risolvere uno dei maggiori ostacoli per i consumatori, l'ansia da autonomia. Riducendo i tempi di ricarica della batteria utilizzando la tecnologia di apprendimento automatico, l'intero settore dei veicoli elettrici potrebbe essere letteralmente rivisto".
