Analisi ed elaborazione di dataset eterogenei in un formato interoperabile indirizzato allo sviluppo di tecniche di features selection e patterns recognition (R.E. 32/24)

L’attività svolta è stata dedicata ad armonizzare più dataset in un unico database per applicazioni di machine learning utili alla stima dello stato di salute (SoH) di celle litio. Sono stati reperiti dataset e test condotti in letteratura, misurate le variabili di interesse (misurabili e derivate) e calcolato l’SoH associato alle misure svolte. Inoltre, una volta identificate le caratteristiche comuni e di distinzione tra i cinque dataset confrontati, ne è stato selezionato uno (da misure di laboratorio del CNR-ITAE) per la verifica di algoritmi di stima della capacità residua di celle agli ioni di litio. In particolare, sono stati confrontati metodi basati su regressione lineare (con un numero esteso e ridotto di variabili), Principal Components Analysis (PCA), Gaussian Process Regression (GPR), Support Vector Regression(SVR), Elastic Net Regression (ENR). Tramite tale analisi, sono stati identificati procedure di stima dell’SoH adatte a tre differenti tipologie di macchine da calcolo.