Nella progettazione di una batteria si utilizzano, tradizionalmente, due approcci. Con il primo si simulano i comportamenti di una batteria tramite l'utilizzo di tecnologie CAE (Computer Aided Engineering), che consentono di rappresentare il prodotto utilizzando modelli numerici incentrati sulla modellizzazione e le analisi della fisica. Ma, per una predizione accurata, è necessario introdurre analisi multi fisiche (Multiphysics Analysis), ossia introdurre ulteriori parametri, quelli elettrofisici caratteristici delle batterie ad esempio, che rendono più complesso il modello fisico vero e proprio. A questo si deve aggiungere l’aumento della complessità dei prodotti, determinato dall'introduzione di nuove tecnologie e di nuovi materiali, e dall’attenzione alla sostenibilità ambientale. Ed è questa complessità che ha fatto emergere i limiti nell’adottare questo approccio: dai tempi di calcolo che aumentano, alle estese competenze che sono richieste (sui software da utilizzare, sulle tipologie di analisi da effettuare, sulle caratteristiche ed i comportamenti dei nuovi materiali, per citare le principali).

Il secondo approccio, più recente, è invece legato ai modelli di apprendimento automatico (Machine Learning). In questo caso per la progettazione di una nuova batteria si utilizzano dataset, composti da un gran numero di dati raccolti sperimentalmente.
Ma quanto sono affidabili questi dati nel momento in cui si progetta un nuovo prodotto? Il design e le prestazioni di una batteria dipendono da moltissimi fattori: il limite nell'utilizzare questo approccio è la reperibilità dei dati che effettivamente sono utili nelle prime fasi di progettazione.

In questo scenario si inserisce oorja: la forza di questa piattaforma consiste nell'adozione di un approccio ibrido, che sfrutta i vantaggi delle due metodologie sopra descritte, e ne supera i limiti.

oorja utilizza un approccio basato su modelli fisici semplici e veloci, che costituiranno la base per l'algoritmo di apprendimento automatico, riducendo così il numero di dati necessari per il dataset iniziale.

oorja simula, predice ed ottimizza il comportamento delle batterie, analizzando diverse performance, come, ad esempio, la quantità di corrente prodotta, il “capacity/power fade”, il surriscaldamento durante l’utilizzo, i protocolli di ricarica rapida e gli aspetti legati alla garanzia.

Alla base della metodologia c’è un workflow composto da 9 moduli:

• Material: per definire il materiale sia delle celle, sia dei componenti del pacco batteria (enclosure, filler, pads etc.).
• Data: per caricare e pulire i dati per gli algoritmi del Machine Learning.
• Design: per creare o importare la geometria del pacco batteria da analizzare.
• Range: per prevedere le performance del pacco batteria nel settore automotive.
• Volt: per analizzare le prestazioni della cella.
• Fade: per analizzare gli aspetti legati al "capacity/power fade".
• Heat: per realizzare analisi termiche sia in condizioni di normale utilizzo, sia in condizione di thermal runaway (inizializzazione e propagazione all’interno del pacco batteria).
• Analyze: per confrontare le prestazioni delle diverse soluzioni analizzate.
• Optimize: per prevedere i parametri di design e di degradation.

Da sottolineare l'interfaccia grafica estremamente "user friendly" di oorja, che rende estremamente semplice l'utilizzo della complessa metodologia: si basa sull'utilizzo di un "wizard", ossia di un sistema automatico, che passo dopo passo guida l'utente nella generazione del workflow.