Simulazioni di Catodi NMC e Sviluppo di Modelli Predittivi tramite Machine Learning = Simulations of NMC Cathodes and Development of Predictive Models via Machine Learning

Le batterie agli ioni di litio sono uno degli elementi chiave per affrontare la transizione energetica grazie alla loro maturità e versatilità. Pertanto, negli ultimi anni sono stati effettuati numerosi studi, atti a migliorarne le prestazioni e la sicurezza attraverso materiali, design e metodi di produzione avanzati. In tale contesto, la modellazione computazionale delle batterie si è affermata come uno strumento estremamente utile ai fini di esplorare nuove configurazioni e chimiche, facilitandone l’innovazione e riducendo i costi associati alle campagne sperimentali. Nel presente lavoro di tesi sono esaminate, attraverso simulazioni numeriche, le prestazioni di batterie a ioni di litio, in funzione della chimica dei catodi NMC (ossidi di Nickel Manganese e Cobalto), delle differenti distribuzioni granulometriche delle particelle di materiale attivo e dell’elettrolita. L’obiettivo principale è stato valutare l’impatto di queste variabili sul comportamento delle semi-celle durante il processo di scarica, offrendo una panoramica delle interazioni tra composizione chimica, proprietà fisiche e prestazioni elettrochimiche. A tal fine, è stato simulato il comportamento di diverse semi-celle alla scala del poro mediante un modello 4D sviluppato in COMSOL Multiphysics. Nella fase preliminare, sono stati identificati i parametri geometrici necessari a garantire una descrizione accurata delle proprietà del sistema, limitando al contempo i costi computazionali delle simulazioni. Successivamente, è stato effettuato un confronto dei risultati ottenuti in termini di curve di scarica e di concentrazione del litio intercalato all’interno dell’elettrodo, sia durante la scarica sia al termine del processo. I dati generati sono stati impiegati per lo sviluppo di modelli di machine learning utilizzando la libreria open-source Scikit-learn di Python. Sono stati implementati diversi modelli di regressione lineare e non lineare, inclusi quelli basati su reti neurali, per predire il valore dell’integrale della curva di scarica a partire dalle caratteristiche fisiche e geometriche dei materiali. Infine, la validazione dei modelli è stata effettuata mediante metodi di validazione incrociata k-fold, dimostrando un’elevata accuratezza predittiva nonostante l’ampiezza limitata del dataset.