| KEYWORD |
Data driven models for battery second life
Parole chiave AUTOMOTIVE, BATTERIA, MACHINE LEARNING, RICICLO, TRANSIZIONE ENERGETICA
Riferimenti MASSIMO PONCINO, SARA VINCO
Riferimenti esterni Alessandro Ferraris, BeonD
Gruppi di ricerca DAUIN - GR-06 - ELECTRONIC DESIGN AUTOMATION - EDA
Tipo tesi RICERCA, RICERCA CON AZIENDA
Descrizione Quando le batterie raggiungono la fine del loro ciclo di vita “automobilistico”, hanno ancora una capacità residua di circa il 70-80% e possono essere utilizzate per usi diversi. Nell’ambito delle soluzioni per la transizione energetica, allungare la vita delle batterie significa ridurre la loro impronta di carbonio e aumentare la quantità di energia rinnovabile sulla rete.
Per rendere la seconda vita di una batteria efficace e redditizia, è fondamentale stimare la vita residua (ovvero lo stato di salute, SOH) di una batteria con una soluzione che sia veloce e richieda poche misurazioni di laboratorio. È quindi necessario:
- costruire modelli basati sui dati in grado di stimare la vita residua di una batteria di seconda vita a partire da poche misurazioni sperimentali
- costruire un passaporto della batteria, ovvero un documento che memorizza i dati rilevanti della batteria durante l'intero ciclo di vita della batteria, comprese informazioni dettagliate sulla produzione, i test e il riciclaggio della batteria.
Questa tesi affronta questi argomenti e richiederà di lavorare in collaborazione con BeonD, un'azienda innovativa con sede a Grugliasco. Nata nel 2013 come spin-off del Politecnico di Torino, BeonD è indicata dal Sole 24ore come "Leader della crescita 2024".
Letture consigliate:
- https://corporate.enelx.com/en/our-commitment/sustainability/ev-second-life-battery
- https://www.mdpi.com/2313-0105/10/5/153
- https://www.beond.net/
Conoscenze richieste Programmazione
Basi di machine learning e intelligenza artificiale
Scadenza validita proposta 17/05/2025
PROPONI LA TUA CANDIDATURA