Il degrado delle batterie agli ioni di litio durante le sessioni di ricarica rapida è uno dei problemi tecnici più concreti e meno risolti dell’elettromobilità attuale. Non si tratta di un limite teorico, ma di un fenomeno elettrochimico ben documentato che si manifesta ogni volta che un accumulatore viene sottoposto ad alta corrente in poco tempo: la temperatura interna sale, le reazioni ai limiti dell’anodo diventano meno controllabili, e la capacità utile si riduce progressivamente a ogni ciclo. Affrontare questo problema senza allungare i tempi di ricarica è la sfida che un team della Chalmers University of Technology, in Svezia, ha cercato di risolvere con un approccio basato sull’intelligenza artificiale, ottenendo — almeno in simulazione — un incremento della vita utile della batteria fino al 23%.
Il cuore del sistema sviluppato da Changfu Zou, professore di ingegneria elettrica alla Chalmers, insieme a Meng Yuan della Victoria University of Wellington, sta nel superamento del protocollo di ricarica CC-CV, che è ancora oggi lo standard dominante nella grande maggioranza dei veicoli elettrici. In questo schema classico, la prima fase avviene a corrente costante (CC) fino a raggiungere la tensione massima, dopodiché si passa a una fase a tensione costante (CV) in cui la corrente diminuisce progressivamente fino alla fine della carica. È un approccio consolidato, relativamente sicuro, ma per costruzione rigido: non tiene conto dello stato reale dell’accumulatore al momento della ricarica, della sua storia di utilizzo, del suo grado di invecchiamento, né delle condizioni termiche istantanee.
Il nuovo software sostituisce questa logica statica con un agente di reinforcement learning, una tecnica di apprendimento automatico in cui un sistema impara a ottimizzare le proprie decisioni attraverso un processo iterativo di azioni, osservazione degli effetti e correzione progressiva della strategia. Nel caso della ricarica, l’agente opera modificando in tempo reale il profilo di corrente erogata, adattandolo allo stato di carica attuale della batteria (State of Charge, SoC) e al suo stato di salute complessivo (State of Health, SoH). L’obiettivo che il sistema cerca di massimizzare non è semplicemente la velocità di ricarica, ma una funzione combinata che bilancia la rapidità del processo con la minimizzazione dello stress elettrochimico sull’anodo.
Il fenomeno più direttamente coinvolto è il lithium plating, ovvero la deposizione di litio metallico sulla superficie dell’anodo in grafite durante le ricariche ad alta corrente. In condizioni normali, gli ioni di litio si intercalano ordinatamente nella struttura della grafite; quando la velocità di intercalazione supera quella che il materiale riesce a sostenere — cosa che avviene con più facilità a basse temperature, ad alto SoC o con celle già parzialmente degradate — il litio inizia a depositarsi come strato metallico sulla superficie anodica. Questo strato riduce la capacità disponibile, aumenta la resistenza interna e, nei casi più gravi, può formare strutture dendritiche che penetrano il separatore, con potenziali implicazioni per la sicurezza. Il sistema di ricarica sviluppato a Chalmers punta a mantenere il processo sempre al di sotto della soglia critica in cui il plating diventa significativo, modulando dinamicamente la corrente per restare in un regime di intercalazione sicuro.
Un aspetto particolarmente rilevante dal punto di vista dell’implementazione industriale è che il sistema è stato progettato per funzionare come puro aggiornamento software, senza richiedere modifiche hardware al pacco batteria, al BMS (Battery Management System) o all’infrastruttura di ricarica. In linea teorica, le case automobilistiche potrebbero distribuire questa logica di ricarica tramite un aggiornamento over-the-air, analogamente a quanto già fanno per altre funzionalità del veicolo. Ovviamente il modello andrebbe calibrato e adattato per ogni specifica chimica e formato di cella, ma i ricercatori indicano che questo processo di adattamento potrebbe essere accelerato attraverso il transfer learning: il riutilizzo dei parametri già ottimizzati per batterie simili come punto di partenza, riducendo il tempo e la quantità di dati necessari per la convergenza su una nuova configurazione.
Al momento, però, tutta la validazione è avvenuta in ambiente simulato, su modelli digitali delle celle. Il passaggio alle batterie fisiche è il passo successivo dichiarato dal gruppo di ricerca, e sarà quello decisivo per capire quanto le prestazioni ottenute in simulazione reggano al confronto con la variabilità reale delle celle, con le non-linearità del comportamento termico e con la deriva dei parametri nel corso dell’invecchiamento effettivo. La ricerca è stata pubblicata su IEEE Transactions on Transportation Electrification con il titolo “Lifelong Reinforcement Learning for Health-Aware Fast Charging of Lithium-Ion Batteries”, il che indica un approccio che tiene conto non solo dello stato istantaneo della batteria ma della sua evoluzione nel tempo — il “lifelong” del titolo si riferisce proprio alla capacità del sistema di continuare ad aggiornarsi man mano che la cella invecchia, riadattando la strategia di ricarica alle nuove condizioni dell’accumulatore senza richiedere una ricalibrazione manuale.
Se questa tecnologia dovesse superare la fase di validazione su celle reali e trovare integrazione nei BMS di produzione, l’impatto pratico sarebbe significativo soprattutto per chi non dispone di ricarica lenta domestica e dipende abitualmente dalle colonnine rapide: oggi quella fascia di utenti è anche quella che statisticamente accumula più cicli ad alta corrente e vede il proprio pacco batteria degradarsi più velocemente. Un sistema capace di allungare la vita utile del 23% senza modificare i tempi di ricarica avrebbe un valore economico diretto — basti pensare al costo di sostituzione di un pacco batteria — e contribuirebbe a consolidare uno degli argomenti tecnici ancora usati per mettere in dubbio la sostenibilità a lungo termine delle auto elettriche