MELODI：基于可解释机器学习的电池日历老化机制解析与跨尺度量化研究

本文提出了一种名为MELODI（机制驱动的可解释学习优化退化识别）的创新机器学习方法，通过整合多源异构数据（涵盖6种商用锂离子电池材料体系）和双阶段优化算法，首次实现了对固态电解质界面（SEI）生长和正极活性物质损失（CAM）等退化机制的跨尺度定量归因，为V2G（车网互动）和空中机器人等新兴应用的电池寿命管理提供理论指导。

　　

^Highlight

多源异构电池日历老化数据集

锂离子电池（LIBs）的老化行为受到跨尺度因素影响。这些多来源、异质性且非标准化的参数进一步增加了系统全面理解LIB老化机制的复杂度。从机器学习视角看，此类变异相当于高维度噪声，若未通过精细的数据标准化处理，可能掩盖潜在的退化模式。因此我们首先将所有退化测量值转换为等效退化率...

^{退化机制识别}

为定量识别不同材料体系和存储条件下的主导退化机制，我们在已建立的机制导向框架基础上开发了可解释的双阶段优化算法。作为MELODI的组成部分，该算法同步执行SOC校准与机制归因，能够联合评估固态电解质界面（SEI）生长和正极活性物质损失（CAM）的贡献度。通过结合数据驱动的模式...

^结论

本研究提出的MELODI是一种基于物理机理的机器学习方法，用于揭示和量化日历老化条件下锂离子电池（LIBs）的退化路径。通过整合精心构建的跨尺度数据集（关联电极材料、物理化学副反应与日历性能）与双阶段优化归因算法，我们实现了跨化学体系与存储条件的SOC同步校准及SEI生长与正极材料损失的定量归因...