可充电电池已成为现代工业和日常生活的重要组成部分,并将在未来发挥更大的作用。如今,锂离子电池(LIBs)是首选的储能技术,主导着便携式电子设备、电动汽车和储能系统。根据电池供应链分析报告,全球电池需求预计从2020年的330 GWh增长到2030年的2180 GWh [1]。与此同时,钠离子电池(SIBs)由于其丰富的材料资源、低制造成本和优异的低温性能而成为LIBs的有希望的替代品 [2]。半固态电池和固态电池(SSBs)也正在接受密集研究,旨在提供更高的安全裕度和潜在的更高能量密度 [3]。尽管取得了这些进展,但由热失控(TR)引起的一个普遍挑战仍然是阻碍其大规模应用的关键安全问题 [4,5]。这些电池含有大量的活性电极材料和电能,在滥用条件下容易超出其正常工作温度范围。这种温度超出会引发一系列自持续的放热反应,导致TR。化学反应产生的热量可以传递到电池模块/包中的其他电池,引发TR传播和灾难性的火灾和爆炸事件 [6,7]。因此,理解潜在的热生成机制并阐明TR期间的反应动力学对于提高电池的安全性能至关重要。
开发能够复制反应动力学和TR演变的模型可以显著降低实验成本、减少时间需求,并最小化潜在的安全风险,是理解电池安全问题的一个有价值的工具 [8,9]。在TR建模中,电池反应动力学通常由从阿伦尼乌斯定律推导出的常微分方程(ODEs)系统来描述 [10]。当与热传递模型结合时,这些ODEs可以预测滥用条件下的热生成率和温度演变。Hatchard等人首次提出了集总TR动力学模型 [11],该模型描述了三种放热反应的动力学,包括SEI分解、阳极中嵌入的锂与电解质的反应以及阴极与电解质的反应。Kim等人 [12] 将这一集总模型扩展为三维模型,以考虑局部热释放和电池温度的非均匀分布。后续的研究逐步将其他放热动力学纳入热生成中,例如内部短路(ISC)产生的电能 [13] 和NCM电池过充时的Mn3+溶解反应 [14],从而实现对TR演变的更精细描述。
准确确定这些阿伦尼乌斯ODEs中涉及的放热动力学参数对于精确捕捉电池内的电化学反应过程至关重要,但这仍然具有挑战性,因为这依赖于量热数据来测量内部热生成。加速率量热法(ARC)[2],[15],[16],[17] 和差示扫描量热法(DSC)[18],[19],[20],[21] 是两种广泛使用的量热技术。可以通过拟合DSC或ARC数据从阿伦尼乌斯方程中提取副反应的热动力学。ARC测试可以在热等待搜索(HWS)模式下提供稳定的绝热环境,以跟踪整个电池的表面温度,从而提供一致的TR热释放 [20]。通过ARC测量的全电池温度上升曲线用于估计电池的反应动力学参数 [10]。整个TR过程根据温度上升率阈值人为地划分为多个阶段,每个阶段分别进行线性拟合,例如使用最小二乘法拟合,以得出不同温度范围内的相应反应动力学参数(图1a)。例如,Chen等人 [17] 根据温度率的变化将TR过程分为四个阶段,并基于通过动力学分析确定的动力学参数建立了集总TR模型。Ping等人 [22] 为LiNi0.33Co0.33Mn0.33O2/Li1.33Ti1.67O4电池开发了一个电热耦合TR模型,其中反应动力学由基于ARC数据的五阶段模型描述。Yue等人 [23] 通过拟合ARC数据计算了SIBs和LIBs的频率因子和活化能,对其危险性进行了定性评估。
DSC是另一种量热技术,通过设置合适的温度扫描速率来测量电极样品中的热量流动。通过DSC估计热动力学的初始步骤是样品制备(图1b),其中从全电池的电极上刮下活性材料粉末并与电解质混合 [24]。可以通过DSC测试获得不同活性材料及其组合的热流。随后,通常会对DSC曲线进行人工反卷积,以确定不同热率下的峰值温度 [25],并可以使用Kissinger和Ozawa的方法 [18,26] 估计热动力学参数。与使用ARC数据拟合相比,基于DSC的方法可以识别不同电极材料的动力学参数,有助于理解电池组件的反应动力学与TR行为之间的关系。He等人 [19] 开发的TR模型就是这种方法的示例,该模型使用从不同充电状态(SOCs)下的NCM电池DSC测试中识别出的反应序列和动力学构建。Zhang等人 [27] 使用DSC测试数据估计了四种类型的分解反应和ISC的动力学参数,随后模拟了电池在热滥用条件下的ISC行为。
人为划分的阶段和从ARC/DSC测试中提取的峰值的准确性在很大程度上取决于研究人员的专业知识和用户判断,可能导致动力学参数估计的误差。为了克服这一限制,Bhatnagar等人 [28] 和Koenig等人 [29] 使用化学反应神经网络从实验量热数据中获得动力学参数的准确拟合,以提高多阶段反应模型的预测准确性。本质上,这些方法仍然是应用于量热热释放的拟合程序。实际上,模型开发最终是根据在代表实际运行条件的滥用条件下记录的电池温度来基准测试的,而不是在绝热环境中测量的温度,这意味着用于动力学识别和模型验证的温度是在不同的电池和不同的热环境中收集的。由于电池之间的不一致性和TR的不确定性 [30],从一个电池获得的参数可能对另一个电池的适用性有限,导致实验观察结果和计算结果之间的不匹配。因此,从量热法估计的动力学参数通常需要经过人工微调,才能使模型能够满意地再现电池滥用测试中测量的温度演变。此外,从量热测试计算出的动力学参数仅适用于特定的化学系统或状态,因为TR行为受到材料 [2]、SOC [31] 和健康状态 [32] 的影响。当前的基于量热法的动力学识别依赖于广泛的量热测试来涵盖不同的化学系统和电池状态,这带来了显著的经济和时间成本。因此,开发一种无需量热法的电池TR热动力学参数识别方法对于提高模型开发效率和降低测试成本至关重要。
在这项工作中,我们提出了一个快速、通用的框架,可以直接从热滥用测试中提取反应动力学参数,从而无需量热。如图1c所示,该框架分为三个步骤:高通量数据生成、基于仿真的深度学习和实验的迁移学习。我们开发了一种降维策略来采样动力学参数,然后使用这些参数生成高通量模拟数据集进行模型预训练。设计了一个多阶段神经网络(MSNN),利用能量守恒原理,将不同阶段的特定温度曲线映射到控制TR的关键动力学参数。在迁移学习过程中,预训练模型在小规模实验TR数据集上进行微调,从而实现从仿真到实际滥用测试的快速、低成本适应。通过交叉验证评估模型性能,将使用识别出的动力学参数模拟的温度曲线与实际温度进行比较。该框架能够准确识别电池动力学,并在主要商用电池格式以及新兴化学成分(包括SSBs和SIBs)上保持高预测准确性,这一点得到了文献例证的支持。该方法仅需要滥用测试中测量的温度数据,消除了对昂贵量热法的依赖,并将测试和分析时间从几天缩短到几分钟。利用这种在线识别能力,该方法可以应用于电池数字孪生技术,实现实时TR建模和全操作范围内的智能安全管理。