《Energy and AI》:Integrating Electrochemical-Thermal-Mechanical Physical Informed Neural Network Framework for Lithium-ion Batteries State of Health Estimation
编辑推荐:
由于电化学、热和力学退化机制的复杂相互作用,锂离子电池健康状态(State of Health, SOH)的准确估计仍具挑战性。本研究提出一种多物理场信息神经网络(Multiphysics-Informed Neural Network, MPINN)框架,将
由于电化学、热和力学退化机制的复杂相互作用,锂离子电池健康状态(State of Health, SOH)的准确估计仍具挑战性。本研究提出一种多物理场信息神经网络(Multiphysics-Informed Neural Network, MPINN)框架,将物理定律与数据驱动建模相结合,实现电极级SOH诊断。研究人员开发了一个高保真电化学-热-力学(electrochemical-thermal-mechanical, ETM)耦合模型,用于模拟关键老化过程,包括固体电解质界面(solid electrolyte interphase, SEI)生长、锂沉积和颗粒断裂。MPINN利用共六个特征,包括三个外部信号(电压、循环持续时间和初始循环应变)和三个内部物理参数(SEI浓度、锂沉积和活性材料损失)。值得注意的是,内部参数来源于多条件循环测试。采用混合CNN-GRU/BiLSTM-注意力(CNN-GRU/BiLSTM-Attention)架构,捕捉老化行为中的短期动态和长期依赖性。通过从控制微分方程导出的自定义损失函数强制执行物理一致性。结果表明,所提出的MPINN在未见过的运行工况下实现了高精度SOH估计,即使在稀疏测量数据下,容量衰减预测的平均绝对误差低于0.5%。该方法不仅提高了估计精度,还提供了对退化机制的可解释洞察,为电池管理和寿命预测提供了有力工具。
论文解读文章
研究背景方面,锂离子电池作为关键储能技术,其健康状态(SOH)准确估计对保障运行安全、预测剩余寿命至关重要。然而,电池内部涉及电化学、热与力学多物理场耦合的复杂退化机制,导致传统方法面临瓶颈:纯物理模型计算成本高且内参难测,纯数据驱动方法缺乏可解释性与泛化能力。当前物理信息神经网络(PINN)虽有探索,但多局限于宏观经验模型或电路级类比,未能充分利用描述电极级耦合退化过程的第一性原理方程,且特征集缺失力学信号如应变。为弥补上述不足,研究人员开展本研究,提出一种多物理场信息神经网络(MPINN)框架,旨在通过高保真电化学-热-力学(ETM)耦合模型与实验测量协同,实现电极级SOH诊断,提升精度与物理可解释性。该论文发表于《Energy and AI》。
为开展研究,研究人员采用以下关键技术方法:首先,基于第一性原理建立ETM耦合模型,包含电化学(P2D模型)、热(可逆/不可逆热生成)与力学(扩散诱导应力与疲劳损伤)子模型,并通过多条件循环测试获取实验数据(样本来源为商用4 Ah pouch锂离子电池,使用NEWAR测试系统与电阻应变片)。其次,构建MPINN框架,选取3个外部特征(电压、循环时长、初始应变)与3个内部物理参数(SEI浓度、锂沉积量、活性材料体积分数),其中内部参数由ETM模型生成。再次,采用混合CNN-GRU/BiLSTM-注意力架构提取局部与长程时序依赖。最后,通过自定义损失函数(含数据项、偏微分方程PDE项、常微分方程ODE项与初始条件项)嵌入物理约束,并利用贝叶斯优化算法(BOA)调整超参数。多目标遗传算法用于模型参数辨识。
研究结果部分,各小标题内容如下:
4.1 参数辨识与模型验证:通过多目标遗传算法同时优化电压与应变拟合误差,在1C充电、0.05C放电及UDDS工况下验证模型。结果显示电压最大绝对误差分别为21.3 mV、-43.5 mV与104.1 mV,相对误差均低于2%,MAPE分别为0.21%、0.65%与1.00%;应变最大绝对误差为9.9×10
-6。说明模型在稳态与动态工况下均具有高预测能力。
4.2 模拟模型的多物理场与老化行为:多物理场模拟揭示了不同倍率(0.5C、1C、2C)与温度(20°C、40°C)下表面von Mises应力的时空演变。峰值应力随倍率近似加倍(20 MPa、40 MPa、83 MPa),且2C条件下隔膜侧应力梯度达3.6倍。容量损失分析表明,从0.5C升至2C时,锂沉积对总容量损失的贡献从6%增至43%,而SEI生长占比从59%降至41%;高温(40°C)加速SEI生长但抑制锂沉积与活性材料损失,归因于增强的扩散动力学与降低的阳极极化。
4.3 内部状态预测与消融研究:采用TCN-BiLSTM-注意力网络预测内部状态变量,SEI浓度最大绝对误差72.4 mol/m
3,锂沉积最大误差25.7 mol/m
3,活性材料体积分数最大偏差3.4×10
-4。消融实验对比不同架构,CNN-GRU-注意力在预测仿真与实验SOH时均表现最优,MAPE分别低于0.5%与2%。外部特征(电压、应变)的引入使实验SOH预测平均误差从0.81%降至0.53%,标准偏差从0.46%降至0.43%,证明外部信号提供关键实时物理信息形成校正反馈。
总结讨论部分,研究人员指出该MPINN框架成功桥接数据驱动与物理原理,在稀疏数据下仍保持高精度与可解释性。翻译论文结论部分如下:本研究建立了一个集成的多物理场与机器学习框架,用于锂离子电池电极级SOH精确估计。所开发的ETM耦合模型通过常微分与偏微分方程组有效模拟了SEI生长、锂沉积和活性材料损失三种基本退化机制。模拟表明,将倍率从0.5C增加至2C显著加速锂沉积对总容量损失的贡献(从6%升至43%),而高温同时加剧SEI生长但因增强的扩散动力学抑制锂沉积。所提出的MPINN采用CNN-BiLSTM-注意力架构,将基于物理的方程直接嵌入损失函数,并通过贝叶斯优化自动平衡不同退化模式的权重。该混合方法成功地将数据驱动建模与物理原理相结合,提供了计算效率和可解释的电池退化过程洞察,在已知实验工况下MAPE低于2%,在未见过的仿真场景下低于0.5%。未来工作将扩展该框架至不同电池化学体系与更宽工况,集成更多老化机制并构建更全面的数据集,以推进鲁棒的物理信息电池管理系统的发展。