极端高温冲击下锂离子电池热失控温度预测：实验与虚拟数据的融合创新

本文提出了一种结合实验与虚拟数据预测极端高温冲击下锂离子电池（LIB）热失控（TR）温度的创新框架。通过高温冲击波触发NCM523和LFP电池TR，获取真实温度数据，并建立三维共轭传热与TR耦合模型，提取特征温度参数。利用多物理模型生成虚拟数据弥补实验不足，并采用基于CNN与LSTM/BiLSTM/GRU的深度学习模型，实现了不同SOC（荷电状态）和热源距离下TR温度的高精度预测（MAPE<5%），为电池安全评估提供了高效可靠的新方法。

　　

2 Results and Discussion

2.1 TR and Burning Behavior

在极端高温冲击测试中，NCM523和LFP电池表现出不同的燃烧行为。测试在非绝热环境下进行，外部热源温度极高，温升速率远高于传统烤箱测试。根据火焰特征和温度曲线，燃烧过程分为六个阶段：热量积累、局部TR引发、点火、稳定燃烧、层状剥落和火焰减弱。NCM523电池在TR过程中经历全部六个阶段，而LFP电池由于更高的热稳定性，未经历层状剥落阶段，且质量损失率仅为0.15%，远低于NCM523的34.3%。LFP电池的电压在燃烧初期仅轻微下降并稳定在3.2V左右，其橄榄石结构和强P-O键抑制了氧释放，需要更高的分解焓，因此在外部加热停止后往往自熄，表现出更优的热安全性。

2.2 Model Verification

为确保仿真结果的可靠性，进行了网格独立性和时间步长敏感性分析。最终选择的网格配置和时间步长设置使预测温度差异小于2%。模型通过平均绝对百分比误差（MAPE）和均方根误差（RMSE）进行评估。对于NCM523电池，前52秒和前60秒的MAPE分别为7.06%和7.27%，RMSE分别为53.54°C和54.70°C。对于LFP电池，前18秒和前41秒的MAPE分别为6.48%和7.91%，RMSE分别为39.97°C和39.48°C。模型在预测最大表面温度（T₃）和点火时间（t₁）方面非常准确，但在模拟局部TR时存在一定误差，这可能是由于TR从靠近正面的芯层开始，分层建模存在挑战。活性物质转化率的变化证实了LFP电池经历了不完全TR。

2.3 Estimation of Thermal Runaway Behaviors Under Different SOCs

SOC（荷电状态）显著影响电池的TR特性。较高的SOC会降低热稳定性，因为电极材料的反应性增加。研究了100%、70%、50%、25%和0% SOC下的TR行为。结果表明，SOC越低，触发内部电芯点火所需的表面温度越高，意味着需要更长时间的高温冲击暴露。从阶段II到VI，分解反应释放的热量逐渐减少。峰值热释放率（HRR）也随SOC降低而显著下降，100%、70%、50%、25%和0% SOC下的峰值HRR分别为165.3、108.9、69.1、32.2和7.0 kW。这表明SOC对化学能的热释放率有显著影响。

2.4 Estimation of Thermal Runaway Behavior at Different Flame Distances

热源与电池表面的距离直接影响电池表面的受热量和热接收效率。研究了15、30、45和60厘米距离下的TR行为。距离越近，电池表面的温升速率越快。一旦高温热源远离电池表面，热源与环境空气之间的热对流会消散大量热量，导致到达电池表面的温度更低。在15-60厘米范围内，距离与点火时间（t₁）具有很强的线性关系，可用一次函数y = 0.37x + 5.3很好拟合（x表示距离，y表示t₁）。距离也影响峰值HRR，距离越远，峰值HRR越低。

2.5 Data-Driven Model for Temperature Prediction with Real and Virtual Data

为提高计算效率并降低实验成本，采用数据驱动方法建立代理模型，使用真实和虚拟数据预测TR温度趋势。虚拟数据主要来自多物理场TR模型，以弥补高温冲击条件下实验数据的不足。提出了三种不同的深度学习模型（CNN-LSTM、CNN-BiLSTM、CNN-GRU），并结合注意力机制（ATTENTION）来预测电池表面温度。训练集包含15、30和45厘米距离的完整温度-时间序列，测试集包含60厘米距离的未见过的温度曲线。外推至75厘米以进一步测试模型极限。结果表明，结合真实数据和虚拟数据的神经网络在预测TR温度框架中表现出色。以BiLSTM为中间框架的模型在所有六组预测中表现出最佳性能，在研究条件下MAPE低于4%。GRU的运行时效率最高，但其准确性不稳定。

3 Conclusion

本研究调查了高温冲击下NCM523和LFP电池的TR行为，并使用多物理场和数据驱动模型预测了电池的TR温度。通过严格控制的火焰暴露测试生成了独特的经验数据。基于测试结果，开发了三维共轭传热与TR耦合模型。从温度曲线和模拟中提取了五个用于分析TR过程的特征参数（T₁, T₂, T₃, t₁, HRR）。提出的模型表明，较高的SOC和更靠近热源的距离导致更容易发生TR、更高的TR温度和HRR。通过结合基于物理的仿真和深度学习方法，开发了一个创新框架。多物理场模型用于生成补充虚拟数据，使CNN-LSTM/BiLSTM/GRU-ATTENTION神经网络能够预测实验测试条件之外的TR温度演变。结果表明，结合真实数据和虚拟数据的神经网络在预测TR温度方面具有优异性能。

4 Experimental Section

Battery Selection

选择了具有NCM523和LFP正极的 pouch 电池用于比较分析。NCM523和LFP的额定电压分别为3.6V和3.2V，充电截止电压分别为4.2V和3.6V。所有电池样品在实验前均以恒流模式充满电。

Experimental Platform

实验平台包括火焰加热器、 pouch 电池、传感器、数据记录仪、红外摄像机和支架。测试在通风良好的开放场地进行。高温热源由氢气燃烧产生，燃烧火焰温度范围为1100至1400°C。

Experimental Process Configurations

对于NCM电池，四支喷枪放置在电池正面，初始距离为40厘米。对于LFP电池，由于热源距离电池仅15厘米，仅开启两支喷枪即可覆盖电池正面。在电池表面观察到持续点火时立即关闭氢气瓶阀门，此时刻定义为点火时间和温度。

Model Structure—Model Geometry and Boundary Conditions

电池几何结构包括电池外壳、电池芯和两个电池极耳，外部高温加热用空气柱表示。单电池几何结构由正极集流体、正极活性层、隔膜、负极活性层、负极集流体和极耳表示。火焰加热被简化为高温气流边界条件。

Model Structure—Heat Transfer Model in Solids and Fluids

热量传递过程包括固体组件内的热传导和边界条件定义的热传导。电池内部的热传递以热传导为主，内部热源的存在由方程描述。界面处的温度和热通量需保持连续性。高温流体中的热传递以热对流为主。电池温度远高于环境温度时，电池表面通过辐射电磁波向环境散发热量，遵循Stefan-Boltzmann定律。

Model Structure—Thermal Runaway Model

随着电池温度升高，其内部材料开始分解。这些放热分解反应称为副反应，在短时间内产生大量热量，导致TR。副反应主要包括SEI的分解反应、负极与电解质的反应、正极与电解质的反应以及电解质和粘结剂的分解反应。副反应产生的热量由方程计算，各反应阶段的转化率遵循阿伦尼乌斯定律计算。

Model Structure—Estimation of Reaction Kinetics

电池SOC的变化决定了负极的锂化状态和存储的能量，显著影响活性材料的热稳定性。电芯位于电池内部，在外壳破裂之前，所有自生热都传递给电池本身，因此认为电芯处于绝热环境中。反应指前因子A_i和活化能Ea_i可以通过线性拟合从截距和斜率计算得出。所有控制方程均在有限元仿真中实现，使用COMSOL Multiphysics 6.1进行多物理场仿真，并采用PARDISO求解器求解线性方程组。计算域采用物理控制网格进行离散，在关键区域细化单元。