Sadia Ali è dottoranda in Ingegneria dell'Automobile per la Mobilità Intelligente presso l'Università di Bologna, in collaborazione con l'Università di Parma, specializzata nella modellazione data-driven e nella stima dello stato di carica (State-of-Charge, SoC) dei sistemi di accumulo dell'energia. La sua ricerca applica tecniche di machine learning — reinforcement learning, reti neurali LSTM, Gaussian Process Regression e gradient boosting — a batterie agli ioni di litio e supercondensatori ibridi, con particolare competenza nell'analisi dei segnali, nei metodi di stima basati su CC-CV e spettroscopia di impedenza elettrochimica (EIS) e nell'implementazione embedded in tempo reale su microcontrollori STM32 e FPGA. Vanta una consolidata capacità di tradurre la ricerca avanzata in soluzioni per la mobilità e l'accumulo di energia validate su hardware e operanti in tempo reale, con oltre otto pubblicazioni sottoposte a revisione paritaria, e porta con sé più di nove anni di precedente esperienza pratica in sistemi elettrici, automazione, controllo, prove di laboratorio e strumentazione. Le sue aree di ricerca comprendono i dispositivi di accumulo dell'energia, i sistemi di gestione delle batterie, la mobilità elettrica, la gestione dell'energia, l'intelligenza artificiale e il controllo e l'ottimizzazione.
Formazione
Sta attualmente completando il dottorato in Ingegneria dell'Automobile per la Mobilità Intelligente presso l'Università di Bologna e l'Università di Parma (2023–2026), nell'ambito dei sistemi energetici, dei powertrain e delle prestazioni del veicolo. Ha conseguito la laurea magistrale in Ingegneria Elettrica, con indirizzo in Automazione e Controllo, presso la COMSATS University di Islamabad (2015–2018, votazione finale 3,71/4,0), con una tesi sull'applicazione di tecniche di controllo non lineare per il controllo di velocità di un motore a induzione trifase. In precedenza ha conseguito la laurea triennale in Ingegneria Elettrica presso la University of Engineering and Technology di Taxila (2009–2013, votazione finale 3,61/4,0).
Esperienza professionale
Dal 2014 al 2023 ha lavorato come Ingegnere di Laboratorio presso il Dipartimento di Ingegneria Elettrica e Informatica della International Islamic University di Islamabad. In tale ruolo ha progettato e condotto esperienze di laboratorio per numerosi insegnamenti, tra cui elettronica di potenza, sistemi di controllo lineare, macchine elettriche, progettazione logica digitale, segnali e sistemi, microcontrollori e microprocessori e progettazione di circuiti elettronici, utilizzando apparecchiature di laboratorio all'avanguardia quali banchi hardware-in-the-loop (HIL) (sistemi servomotore e ball-and-beam), trainer per il controllo PID e trainer per macchine elettriche. Ha supervisionato tirocinanti nella progettazione hardware e software di kit didattici di convertitori di potenza, tra cui convertitori buck e boost, inverter e raddrizzatori controllati, e ha co-supervisionato progetti di tesi triennale.
Attività di ricerca
Dal 2023 la sua ricerca dottorale è incentrata sulla stima dello stato di carica dei sistemi di accumulo dell'energia. Ha sviluppato framework di stima del SoC in tempo reale per batterie agli ioni di litio e supercondensatori ibridi utilizzando Gaussian Process Regression, reti neurali LSTM, reinforcement learning (TD3) e correzione del residuo tramite gradient boosting (LSB), integrando misure EIS a punto singolo per una stima rapida in situ. Ha implementato tali framework su due piattaforme embedded, un microcontrollore STM32F411RE e un FPGA Artix-7 (Nexys A7-100T), ottenendo tempi di inferenza dell'ordine dei microsecondi, adatti a hardware automobilistico a basso costo, e ha realizzato pipeline HDL complete in MATLAB HDL Coder, risolvendo le criticità legate all'aritmetica in virgola fissa e ai loop di retroazione per l'implementazione su FPGA. Ha inoltre condotto un'analisi del rapporto segnale-rumore basata sul reinforcement learning per valutare la robustezza della stima. Le sue ricerche precedenti comprendono strategie di controllo non lineare e ibrido per motori a induzione, progettate e simulate in MATLAB/Simulink. Ha partecipato regolarmente all'IEEE International Workshop on Metrology for Automotive (2024–2026) e ha organizzato seminari e workshop tecnici su smart grid, elettronica di potenza e tecnologie delle batterie per veicoli elettrici.
Pubblicazioni
S. Ali, V. Bianchi, G. Patrizi, L. Ciani, and I. De Munari, "State of Charge Estimation of Energy Storage Systems using a Flexible Reward based Reinforcement Learning Approach," accepted at the 20th IMEKO TC10 Conference, Lisbon, Portugal, 2026.
S. Ali, V. Bianchi, and I. De Munari, "Reinforcement Learning based State of Charge Estimation of a Lithium Ion Battery," IEEE International Workshop on Metrology for Automotive (MetroAutomotive), Brescia, Italy, 2026.
S. Ali, G. Patrizi, L. Ciani, I. De Munari, and V. Bianchi, "Signal-to-Noise Ratio Analysis for a Reinforcement Learning based State of Charge Estimation of a Hybrid Supercapacitor," IEEE International Instrumentation and Measurement Technology Conference (I2MTC), 2026.
G. Patrizi, S. Ali, L. Ciani, F. Canzanella, I. De Munari, and V. Bianchi, "A Fast Approach for in situ SoC Estimation of a Supercapacitor based on Gaussian Process Regression and Electrochemical Impedance Spectroscopy," IEEE Transactions on Instrumentation and Measurement, 2026.
S. Ali, V. Bianchi, and I. De Munari, "A Microcontroller Based Optimized Framework for the State of Charge Estimation of a Lithium Ion Battery," IEEE International Workshop on Metrology for Automotive (MetroAutomotive), 2025.
V. Bianchi, F. Canzanella, S. Ali, I. De Munari, L. Ciani, and G. Patrizi, "A single-point EIS measurement for SOC estimation of supercapacitor," IEEE International Instrumentation and Measurement Technology Conference (I2MTC), 2025.
S. Ali, M. Stighezza, G. Chiorboli, I. De Munari, and V. Bianchi, "An Optimized Long Short Term Memory and Gaussian Process Regression Based Framework for State of Charge Estimation," IEEE International Workshop on Metrology for Automotive (MetroAutomotive), 2024.
R. Afifa, S. Ali, M. Pervaiz, and J. Iqbal, "Adaptive Backstepping Integral Sliding Mode Control of a MIMO Separately Excited DC Motor," Robotics, vol. 12, no. 4, 2023.
S. Riaz, C.-W. Yin, R. Qi, B. Li, S. Ali, and K. Shehzad, "Design of Predefined Time Convergent Sliding Mode Control for a Nonlinear PMLM Position System," Electronics, vol. 12, no. 4, 2023.
S. Ali, A. Prado, and M. Pervaiz, "Hybrid Backstepping-Super Twisting Algorithm for Robust Speed Control of a Three-Phase Induction Motor," Electronics, vol. 12, no. 3, 2023.
Competenze linguistiche
Inglese: piena competenza professionale (IELTS, banda complessiva C2, 8,5).
Competenze tecniche e informatiche
Programmazione e modellazione in MATLAB (livello avanzato) e Python; sviluppo embedded e hardware su microcontrollori STM32F411RE e FPGA Artix-7 con Xilinx Vivado, HDL Coder, Embedded Coder e aritmetica in virgola fissa; strumenti di progettazione e simulazione circuitale (Proteus, Multisim, Mentor ModelSim); CST Microwave Studio per la progettazione di antenne.
Riconoscimenti, premi e certificazioni
Certificazioni professionali in "Electric Cars: Technology" (Delft University of Technology, 2023) e "Computing in Python" (Georgia Institute of Technology, 2021); terzo premio per il progetto di tesi triennale (University of Engineering and Technology, Taxila, 2013).
