| KEYWORD |
Area Ingegneria
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