《Journal of Energy Storage》:Learning continuous state of charge dependent thermal decomposition kinetics for Li-ion cathodes using Kolmogorov–Arnold Chemical Reaction Neural Networks (KA-CRNNs)
编辑推荐:
本研究提出基于Kolmogorov–Arnold化学反应神经网络(KA-CRNN)的连续SOC依赖动力学模型,直接从差示扫描量热法(DSC)数据中学习阴极-电解液分解参数,揭示SOC对热失控机制的影响,实现多阴极体系的高精度可解释预测。
本杰明·C·科尼格|沈思丽
麻省理工学院机械工程系,美国马萨诸塞州剑桥市02139
摘要
锂离子电池的热失控行为受到荷电状态(SOC)的强烈影响。现有的预测模型通常只在满荷电状态或少数离散的SOC水平下推断标量动力学参数,这使它们无法捕捉到在滥用条件下控制放热行为的连续SOC依赖性。为了解决这个问题,我们应用Kolmogorov–Arnold化学反应神经网络(KA-CRNN)框架来学习连续且真实的SOC依赖性放热 cathode–electrolyte(正极-电解质)相互作用。我们采用物理编码的KA-CRNN从差示扫描量热法(DSC)数据中直接学习SOC依赖性的动力学参数。网络架构中嵌入了基于机理的反应路径,使得活化能、前指数因子、焓及相关参数能够作为SOC的连续且完全可解释的函数来表示。该框架应用于NCA、NM和NMA正极,生成的模型能够再现所有SOC下的DSC热量释放特征,并提供了对SOC依赖性氧释放和相变机制的可解释性见解。这种方法为将动力学参数的依赖性扩展到其他环境和电化学变量奠定了基础,从而支持更准确和可解释的热失控预测和监测。
引言
锂离子电池是满足不断增长的全球能源需求的关键技术。随着其使用范围的扩大,正确量化和控制其安全性能以防止灾难性的热失控变得越来越重要。热、电和机械滥用都会导致放热行为加速、内部短路发热,甚至极端燃烧事件[1]。可靠且稳健的模型是防止和缓解热失控的关键。
差示扫描量热法(DSC)被广泛用于开发描述从标准操作条件到极端热事件下的特定组分反应路径的动力学模型。这些模型可以包括正极分解[2]、[3]、[4]、固态电解质界面降解和再生[5]、[6]以及正极-电解质相互作用[6]、[7]等。Kissinger方法是从这些组分级DSC数据中提取动力学模型参数的传统技术[5]、[8]、[9],尽管已经普遍证明[10]、[11],并且在特定的锂离子电池动力学建模研究中也定量表明[3],该方法所需的简化假设严重限制了其准确性和模拟真实化学路径的能力。化学反应神经网络(CRNN)最初是为自主动力学模型发现而提出的[12],通过结合机器学习优化和Arrhenius定律及质量作用定律[3]、[4]、[7]、[13]、[14],被广泛用作高精度的替代方案,能够进行复杂且真实的化学物理推断。实际上,在热失控特定背景下对CRNN方法和Kissinger方法进行了详细的对比[3],发现CRNN方法在模型准确性和对基础物理的符合度方面都有显著改进。然而,现有的基于CRNN的模型将动力学参数视为固定标量,因此无法表示Arrhenius定律和质量作用定律中未包含的外部条件依赖性。
荷电状态(SOC)是一个特别重要的外部因素,因为它强烈影响全局和组分级的热失控严重程度。随着SOC的增加,内部短路释放的能量也会增加[15],同样地,正极材料在较高SOC(较高的脱锂程度)下表现出更大的放热性,无论是在含电解质的[16]、[17]还是无电解质的设置中[16]、[18]。尽管这种依赖性已经得到充分证实,但大多数动力学建模工作仅关注100% SOC条件,以生成保守的最坏情况安全预测[2]、[6]、[7]。虽然这种方法在实践中可行,但它无法捕捉到在实际操作和储存条件下发生的放热行为的连续变化,从而限制了这些模型在真实中间SOC条件下的预测能力。
最近尝试将SOC敏感性引入动力学建模主要遵循两个方向。一种方法是在有限的离散SOC值上独立应用Kissinger类型的参数拟合[19]、[20]。这些研究提供了关于整体SOC趋势的宝贵见解,但仍然保留了基础分析框架的局限性,无法产生适用于实时预测的连续表示。第二种较新的方法使用CRNN与加速率量热法(ARC)数据来推断SOC敏感的全局热量释放和气体演变[14]。这种方法在全局热失控趋势上表现出强大的预测性能,并能够准确模拟整个电池的SOC行为。然而,ARC数据的低分辨率和混合组分特性限制了特定组分路径和中间物种的识别能力,需要使用与实际分解现象相关性有限的简化反应物。因此,推断出的模型无法提供机理上的可解释性或组分分解动力学。
在实验方面,高分辨率扫描SOC的DSC研究揭示了一个显著现象:混合正极-电解质样品释放的总热量随SOC逐渐增加,直到达到一个临界值,超过该值后,热量释放和DSC峰形突然变化,热稳定性迅速下降[18]。这个临界SOC似乎标识了一个对电池操作、储存和安全管理优化有重要影响的转变阶段。先前的工作将这种行为与镍富集正极在类似较高SOC下的显著增加的晶格氧释放联系起来[21]、[22]、[23]、[24]、[25]。这种氧释放加速了放热分解和电解质氧化,表明SOC、氧释放和热失控倾向之间存在机理上的联系。然而,现有的动力学框架无法提供这些过程的连续且完全可解释的SOC依赖性表示。
最近提出的Kolmogorov–Arnold化学反应神经网络(KA-CRNN)框架[26]提供了一种解决这一差距的方法。KA-CRNN将CRNN的机理结构与Kolmogorov–Arnold网络[27]、[28]和神经常微分方程(Neural ODE)公式[29]、[30]、[31]的功能表达能力结合起来。由此产生的架构使Arrhenius参数能够随SOC平滑变化,同时保持在物理上合理的反应网络中。在这项工作中,我们基于文献支持的正极分解和电解质氧化路径构建了一个KA-CRNN模型,并将其应用于镍钴铝、镍锰铝和镍锰正极。通过直接从DSC测量中学习一系列SOC值的动力学参数,KA-CRNN生成了一个连续的、基于机理的模型,该模型捕捉到了实验观察到的临界SOC行为[18],并为实际操作和储存条件下的热失控相关放热反应提供了组分特定的预测能力。
方法部分
方法论
方法论的第2.1节回顾了相关文献,并选择了一个合理的模型形式来捕捉正极-电解质分解模型中的关键SOC依赖行为。然后,第2.2节介绍了用于学习该模型参数化行为的KA-CRNN公式。最后,在第2.3节中介绍了训练方法和数据集。使用稀疏KA-CRNN模型的SOC变化DSC预测
图3(A)顶部蓝色行显示了在不同SOC下NM正极加电解质的重建DSC曲线[18]。通过适当缩放的y轴检查这三个提供的训练曲线,可以看出KA-CRNN对两种正极分解反应(R1和R2)的响应表现出很强的性能,随着SOC的增加,它们的位置、幅度和形状都会发生变化。同时也可以观察到形状和大小的显著变化。结论
本研究利用Kolmogorov–Arnold化学反应神经网络构建了锂离子电池中正极分解和电解质氧化的荷电状态依赖性动力学模型,为NM、NMA和NCA正极化学提供了统一的预测模型,这些模型在真实的化学物理基础上具有很强的合理性。对SOC对正极氧释放和电解质氧化影响的详细回顾提供了基于先验知识的真实反应路径。
CRediT作者贡献声明
本杰明·C·科尼格:撰写——原始草稿、软件开发、方法论设计、调查、形式分析、概念化。沈思丽:撰写——审稿与编辑、项目管理、概念化。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
致谢
SD感谢美国国家科学基金会在Grant No. CBET-2143625下的支持。BCK部分得到了美国国家科学基金会研究生研究奖学金在Grant No. 1745302下的支持。这项研究还得到了美国能源部(DOE)在Grant No. DE-EE0011364下的支持。作者感谢Martin Bazant教授在正极相变理论方面的专业知识。