Nella presente attività è stata realizzata un’analisi preliminare dello stato dell’arte delle tecniche diagnostiche per il degrado delle batterie agli ioni di litio, individuando la spettroscopia di impedenza (EIS) come metodica ottimale rispetto a ICA e DVA. È stato sviluppato un algoritmo in ambiente Python, basato su un modello circuitale equivalente (ECM), che consente l'elaborazione e l'analisi automatizzata di una grande quantità di dati sperimentali di EIS per la quantificazione dei fenomeni di degrado tramite la loro associazione ai parametri dell’ECM. È stato creato un dataset contenente spettri EIS a differenti livelli di invecchiamento di celle agli ioni di litio, integrato con la relativa quantificazione dei fenomeni di degrado per le varie celle. Tale attività fornisce la base per lo sviluppo di nuovi modelli diagnostici, avendo anche integrato un approccio di machine learning in collaborazione con UNIME, in linea con i risultati attesi.
Report sulla mappatura dei fenomeni di invecchiamento di celle soggette a differente condizione operativa a sostegno dello sviluppo del tool di identificazione dello SOH (RE 35/25)
Salvatore Gianluca Leonardi;Giovanni Lucà Trombetta;Davide Aloisio;Gioacchino Musico';Francesco Salmeri;Samuele Di Novo;Nico Randazzo;Giovanni Brunaccini;Francesco Sergi
2025
Abstract
Nella presente attività è stata realizzata un’analisi preliminare dello stato dell’arte delle tecniche diagnostiche per il degrado delle batterie agli ioni di litio, individuando la spettroscopia di impedenza (EIS) come metodica ottimale rispetto a ICA e DVA. È stato sviluppato un algoritmo in ambiente Python, basato su un modello circuitale equivalente (ECM), che consente l'elaborazione e l'analisi automatizzata di una grande quantità di dati sperimentali di EIS per la quantificazione dei fenomeni di degrado tramite la loro associazione ai parametri dell’ECM. È stato creato un dataset contenente spettri EIS a differenti livelli di invecchiamento di celle agli ioni di litio, integrato con la relativa quantificazione dei fenomeni di degrado per le varie celle. Tale attività fornisce la base per lo sviluppo di nuovi modelli diagnostici, avendo anche integrato un approccio di machine learning in collaborazione con UNIME, in linea con i risultati attesi.| File | Dimensione | Formato | |
|---|---|---|---|
|
RE 35.25.pdf
solo utenti autorizzati
Descrizione: Report di progetto
Tipologia:
Altro materiale allegato
Licenza:
NON PUBBLICO - Accesso privato/ristretto
Dimensione
4.21 MB
Formato
Adobe PDF
|
4.21 MB | Adobe PDF | Visualizza/Apri Richiedi una copia |
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.


