Ottimizzazione del powertrain elettrico migliora autonomia e dinamica
Un team di ricercatori dell’Università del Nord della Cina ha ottenuto un significativo balzo in avanti nel campo dell’ingegneria automobilistica elettrica, dimostrando come un’attenta ottimizzazione dei parametri del sistema di propulsione possa migliorare in modo misurabile l’autonomia, l’efficienza energetica e le prestazioni dinamiche di un veicolo elettrico, senza modificare la capacità della batteria o la struttura fisica del veicolo. Il lavoro, pubblicato sulla rivista Ship Electronic Engineering, rappresenta un passo cruciale verso una mobilità elettrica più intelligente, sostenibile ed efficiente.
Guidati da Ti Yuyu, Hong Yingping, Zhang Huixin e Zhang Ruihao, del Laboratorio Nazionale di Tecnologia per le Prove Elettroniche e del Laboratorio Chiave dei Dispositivi e Sistemi Micro/Nano dell’Università del Nord della Cina, i ricercatori hanno affrontato una delle sfide più persistenti del settore automobilistico: il compromesso tra prestazioni, efficienza e costo. Mentre i produttori continuano a investire massicciamente nello sviluppo di batterie con maggiore densità energetica, questo studio dimostra che ingenti guadagni possono essere ottenuti attraverso un approccio di ingegneria più sofisticato e olistico, focalizzato sull’ottimizzazione del sistema nel suo complesso.
L’obiettivo della ricerca era chiaro: superare i limiti tradizionali della progettazione del powertrain. Spesso, gli ingegneri ottimizzano singoli componenti, come il motore o il rapporto di riduzione, in modo isolato. Tuttavia, queste scelte hanno effetti a catena su tutto il sistema. Un motore più potente, ad esempio, può migliorare l’accelerazione, ma aumenta il consumo energetico e potrebbe richiedere un sistema di raffreddamento più grande. La vera innovazione di questo studio risiede nell’aver trattato il powertrain come un sistema integrato, dove il motore, la trasmissione, la batteria e il controllore lavorano in perfetta sinergia.
Per raggiungere questo obiettivo, il team ha impiegato un algoritmo di intelligenza artificiale noto come Particle Swarm Optimization (PSO). Questo algoritmo, ispirato al comportamento collettivo di stormi di uccelli o banchi di pesci, è in grado di esplorare rapidamente un vasto spazio di soluzioni per trovare la combinazione ottimale di parametri. A differenza dei metodi di prova ed errore, che sono lenti e costosi, il PSO simula migliaia di possibili configurazioni, facendo “evolvere” una popolazione di soluzioni candidate verso il risultato migliore.
I tre parametri chiave su cui si è concentrata l’ottimizzazione sono stati: il rapporto di riduzione finale (i₀), la potenza massima del motore elettrico (Pm) e la sua velocità di rotazione massima (Nm). Questi parametri sono fondamentali perché determinano come l’energia elettrica venga convertita in movimento. Un rapporto di riduzione più corto può fornire una maggiore coppia alle ruote, migliorando l’accelerazione, ma può limitare la velocità massima e aumentare il consumo a velocità elevate. Trovare il giusto equilibrio è essenziale per massimizzare le prestazioni complessive.
Il processo di ottimizzazione non è stato arbitrario. I ricercatori hanno definito una funzione obiettivo che bilanciava due aspetti fondamentali: l’efficienza economica (principalmente l’autonomia) e le prestazioni dinamiche (principalmente il tempo di accelerazione). Dato che l’obiettivo principale era un veicolo urbano e di uso quotidiano, hanno assegnato un peso maggiore all’efficienza, con un coefficiente del 70%, rispetto alle prestazioni, con un coefficiente del 30%. Questo approccio riflette le esigenze reali dei consumatori, per i quali una maggiore autonomia è spesso più importante di un’accelerazione estrema.
Tutte le simulazioni sono state condotte utilizzando il software Matlab/Simulink, uno strumento standard nell’industria automobilistica per la modellazione e la simulazione. Il ciclo di guida utilizzato per testare le prestazioni è stato il NEDC (New European Driving Cycle), un protocollo standardizzato che simula una combinazione di guida urbana ed extraurbana. Per garantire l’accuratezza dei risultati, il modello includeva una rappresentazione dettagliata della dinamica del veicolo, delle forze aerodinamiche, della resistenza al rotolamento e della pendenza della strada.
Un aspetto particolarmente degno di nota è stato il modello della batteria. I ricercatori non si sono accontentati di un modello semplice, ma hanno utilizzato una versione avanzata del modello di Thevenin, arricchita con una rete RC di secondo ordine. Questo modello sofisticato è in grado di catturare con grande precisione i fenomeni di polarizzazione e la resistenza interna della batteria durante i cicli di carica e scarica. Questa accuratezza è fondamentale per prevedere in modo realistico il consumo di energia durante un ciclo di guida, soprattutto durante le fasi di accelerazione e frenata rigenerativa.
I risultati delle simulazioni sono stati impressionanti. Dopo l’ottimizzazione, l’autonomia del veicolo è aumentata del 5,43%, passando da 221,28 km a 233,3 km. Questo guadagno è stato ottenuto senza alcun aumento della capacità della batteria, dimostrando che l’efficienza può essere migliorata semplicemente ottimizzando il modo in cui l’energia esistente viene utilizzata. È un risultato che ha un enorme potenziale per l’industria, in quanto consente di offrire veicoli con maggiore autonomia senza dover affrontare i costi e le complessità associate allo sviluppo di nuove batterie.
Parallelamente, le prestazioni dinamiche hanno subito un notevole miglioramento. Il tempo necessario per accelerare da 0 a 100 km/h è diminuito da 12,20 secondi a 11,60 secondi, una riduzione del 5,35%. Questo risultato è particolarmente sorprendente perché, come menzionato, la funzione obiettivo privilegiava l’efficienza. Il fatto che entrambe le metriche siano migliorate indica che l’algoritmo ha trovato una configurazione in cui il sistema opera in una zona di efficienza più elevata, dove sia il consumo energetico che le prestazioni ne traggono beneficio. Il motore e la trasmissione lavorano in armonia, evitando di funzionare in condizioni di bassa efficienza, come ad alte correnti o a velocità di rotazione non ottimali.
La validazione del modello è stata rigorosa. La velocità simulata del veicolo ha seguito il ciclo NEDC con un errore inferiore al 2%, confermando l’accuratezza del modello dinamico sottostante. Inoltre, la configurazione ottimizzata ha soddisfatto tutti i requisiti di progettazione imposti. La velocità massima, anche se leggermente ridotta da 146,6 km/h a 145,2 km/h, rimane ben al di sopra della soglia minima richiesta di 140 km/h. La capacità di salita massima è aumentata dal 30,653% al 31,121%, migliorando la capacità del veicolo di affrontare pendenze ripide.
L’analisi dello stato di carica (SOC) della batteria ha fornito ulteriore prova dell’efficacia dell’ottimizzazione. Nelle stesse condizioni di guida, la batteria del veicolo ottimizzato ha mostrato un consumo energetico inferiore. Il SOC è passato dal 90% all’83,69%, rispetto al 90% all’82,68% del veicolo non ottimizzato. Questa riduzione del 1,01% nel consumo energetico, sebbene possa sembrare piccola, si traduce in un’autonomia più lunga e in una minore sollecitazione della batteria, contribuendo a prolungarne la vita utile.
L’approccio PSO si è rivelato particolarmente adatto a questo tipo di problema di ingegneria. È un algoritmo robusto che non richiede la conoscenza di derivate complesse e può gestire problemi non lineari e con molti vincoli. Questo lo rende ideale per applicazioni del mondo reale, dove i sistemi sono complessi e le relazioni tra i parametri non sono sempre lineari. Inoltre, il PSO è noto per la sua velocità di convergenza, il che significa che può trovare soluzioni di alta qualità in un tempo computazionalmente ragionevole.
Le implicazioni di questa ricerca sono ampie e profonde. Per i costruttori automobilistici, suggerisce una strategia di sviluppo più flessibile e cost-effective. Piuttosto che dover riprogettare completamente un veicolo per migliorarne le prestazioni, potrebbero essere in grado di rilasciare aggiornamenti software che ottimizzano i parametri del powertrain, migliorando l’autonomia e le prestazioni dei veicoli già in circolazione. Questo potrebbe rivoluzionare il concetto di aggiornamento del veicolo, trasformandolo da una semplice correzione di bug a un vero e proprio miglioramento delle prestazioni.
Per le flotte commerciali, come i servizi di ride-hailing o car-sharing, un aumento del 5% dell’autonomia può significare più corse per veicolo prima di dover ricaricare, riducendo i tempi di inattività e aumentando i ricavi. Per il consumatore finale, significa una riduzione significativa dell'”ansia da autonomia”, uno dei principali ostacoli all’adozione dei veicoli elettrici.
Guardando al futuro, la metodologia sviluppata in questo studio è altamente scalabile. Può essere applicata a veicoli con trasmissioni a più rapporti, a veicoli ibridi plug-in o persino a veicoli autonomi, dove l’efficienza energetica è un fattore critico. L’idea di un sistema di propulsione “adattivo” che ottimizzi automaticamente i suoi parametri in tempo reale in base alle condizioni del percorso, al traffico o al profilo topografico, non è più fantascienza, ma una possibilità concreta resa possibile da algoritmi come il PSO.
In conclusione, il lavoro di Ti Yuyu, Hong Yingping, Zhang Huixin e Zhang Ruihao rappresenta un contributo fondamentale al progresso della mobilità elettrica. Hanno dimostrato che il futuro non è solo nelle batterie del domani, ma anche nell’intelligenza con cui utilizziamo le tecnologie di oggi. La loro ricerca è un chiaro esempio di come l’ingegneria intelligente e i metodi computazionali avanzati possano spingere i veicoli elettrici verso nuovi livelli di efficienza, prestazioni e sostenibilità, rendendoli più attraenti e pratici per un numero sempre maggiore di utenti.
Ti Yuyu, Hong Yingping, Zhang Huixin, Zhang Ruihao, North University of China, Ship Electronic Engineering, DOI: 10.3969/j.issn.1672-9730.2024.11.025