通过耦合的机械-电化学退化模型和高斯过程回归方法,对锂离子电池的寿命进行基于机制驱动的预测

《Journal of Power Sources》:Mechanism-driven life Prediction of lithium-ion batteries via a coupled mechanical-electrochemical degradation model and Gaussian process regression

【字体: 大 中 小 】 时间:2026年01月15日 来源:Journal of Power Sources 7.9

编辑推荐:

  准确预测储能器件寿命对系统安全性和经济性至关重要。本文提出机械-电化学耦合双驱动预测方法,通过电化学阻抗谱与声发射实验并行获取电极机械损伤与电化学降解的耦合演化数据,建立疲劳损伤理论驱动的Electrochemical-Paris模型,构建融合物理约束的增强数据集,并基于高斯过程回归构建机制约束的寿命预测框架。实验表明该方法在多材料体系和不同倍率工况下预测精度优于传统指数模型和阻抗基方法,误差降低至5%以内,实现了机理深度与数据驱动精度的有机统一。

  
谢海梅|孙普恒|张子龙|宋海斌|王一泽|张倩|康一兰
天津大学机械工程学院现代工程力学重点实验室,天津,300350,中国

摘要

准确预测储能设备的寿命对于确保系统的安全性、可靠性和成本效益至关重要。然而,对潜在机制的理解有限以及模型可解释性的不足往往限制了预测的准确性。在这里,我们提出了一种机制-数据双驱动的预测方法,该方法将机械建模与数据驱动学习相结合。聚焦于电极的机械-电化学衰变机制,我们建立了一个“数据生成-机制认知-机械整合-预测验证”的工作流程。并行电化学阻抗谱和声发射实验捕捉了机械损伤和电化学退化的非线性演变过程。研究结果揭示了一种耦合的退化路径:机械损伤积累→电化学动力学限制→容量下降,皮尔逊相关性分析证实了阻抗参数在描述这种耦合的机械-电化学退化过程中的物理相关性。利用疲劳损伤理论,我们开发了一个电化学-Paris模型,将机械知识整合到阻抗特征中,形成了一个具有机械增强功能的数据集。我们构建了一个基于机制约束的寿命预测框架,使用高斯过程回归(GPR)实现了物理知识与数据驱动学习的稳健融合。跨材料和循环速率的多维验证表明,与指数模型和基于阻抗的预测方法相比,所提出的方法具有更高的准确性、稳定性和适应性。这一集成框架为锂离子电池的物理-数据双驱动寿命预测提供了一种稳健的方法。

引言

锂离子电池以其高能量密度和长循环寿命而闻名,已成为便携式电子设备、电动汽车和大规模储能系统中的不可或缺的部分。随着应用环境的日益复杂,寿命退化已成为影响其可靠性和安全性的关键因素[[1], [2], [3]]。电极材料中的机械损伤与电化学损伤的耦合是影响电池寿命的关键因素[[4], [5], [6]]。在充放电过程中,锂离子的嵌入和脱嵌会导致电极的周期性膨胀和收缩,从而导致结构损伤的累积和电化学性能的退化[[7], [8], [9]]。因此,基于机械-电化学耦合机制进行寿命预测研究对于提高储能系统的安全性和可靠性具有重要的科学和工程价值。
目前,常用的锂离子电池寿命预测方法可以分为三类:基于模型的方法、数据驱动的方法和混合方法[10,11]。基于模型的方法建立在电池材料和电化学机制的特性之上,典型的模型包括电化学模型[12]、等效电路模型[13]和经验模型[14]。例如,金等人使用了一个考虑SEI膜生长和损失的二维电化学模型来预测磷酸铁锂电池的寿命及其对容量衰减的贡献[15];张等人利用电化学阻抗谱(EIS)和等效电路模型建立了阻抗与健康状态(SOH)之间的关系,并预测了18650锂离子电池的寿命退化[16];张等人应用基于充放电循环次数的指数模型分析了NASA电池数据并讨论了预测误差[17]。电化学和等效电路模型可以描述老化机制,但建模复杂且参数难以获取。经验模型计算简单,但在长期预测中准确性较差[18,19],这使得在机械深度与工程适用性之间取得平衡变得具有挑战性[20,21]。数据驱动方法依赖于统计学习来建立特征参数与寿命之间的映射,常用的算法包括神经网络(NN)、支持向量机和高斯过程回归(GPR)[22,23]。例如,张等人结合增量容量曲线的dQ/dV使用人工神经网络进行预测,预测误差小于3%[24];李等人使用改进的蚁群优化算法优化输入数据,预测误差小于2%[25];贾等人从充放电曲线中选取三个特征参数作为GPR模型的输入,结合NASA数据的预测误差在5%到10%之间[26]。尽管数据驱动方法可以通过算法优化和特征选择提高预测准确性,但它们高度依赖于数据的质量和数量,作为“黑箱”模型缺乏对容量衰变机制的物理解释,并且泛化能力有限。为了克服这些限制,近年来出现了结合基于模型和数据驱动方法的混合方法。这些方法将机械模型的物理约束与数据驱动方法的非线性学习能力结合起来,提取与容量衰变密切相关的特征参数用于寿命预测。在这些方法中,等效电路模型参数(如R0、RSEI和RCT)通常被用作特征参数。例如,努内斯等人发现三星18650电池的纯电阻R0和电荷转移电阻RCT随循环次数的增加而显著增加[27];卡西等人通过皮尔逊相关性分析发现,商用电池的R0与RCT以及容量之间的相关系数分别为0.949和0.849[28];柳等人使用遗传算法选择RCT并结合反向传播神经网络(BPNN)进行预测,结果显示在C率下预测误差小于10%,但在高率下误差显著增加[29]。因此,混合方法在提高预测准确性和可解释性方面具有优势。然而,它们仍然面临在高率和多条件操作场景下准确性下降和模型稳定性不足的挑战。
总之,锂离子电池寿命预测是一个跨学科的前沿课题,整合了力学、电化学和材料科学[30,31]。主要挑战在于揭示控制机械损伤和电化学反应对容量衰减及寿命演变耦合效应的潜在机制。虽然现有研究在机械建模和数据融合方面取得了进展,但大多数研究主要集中在电化学过程上,对机械-电化学耦合的考虑有限。这导致机械机制的可解释性有限,以及在不同操作条件下的泛化能力较弱。当前寿命预测研究的关键科学挑战是有效地将机械-电化学机制与数据驱动方法结合起来,创建结合机械洞察力和高准确性的预测模型[32]。
为了克服这些限制,本研究提出了一个基于机制-数据双驱动的锂离子电池寿命预测框架。以电极的机械-电化学退化机制为中心,研究遵循一个系统的“数据生成-机制整合-预测验证”范式。首先,我们设计并行电化学阻抗谱(EIS)和声发射(AE)实验来捕捉电极机械损伤和电化学退化的耦合演变。其次,我们分析机械-电化学耦合退化演变,并阐明阻抗参数在表征机械-电化学过程中的物理意义。利用经典的疲劳损伤理论,我们将机械洞察力整合到阻抗特征中,生成了一个具有物理约束的增强数据集。最后,我们构建了一个基于机制约束的高斯过程回归(GPR)框架,并在多种操作条件下进行了验证,包括材料系统和充电速率。这种集成方法实现了从机械理解到预测建模的跨尺度融合,有效弥合了物理可解释性和数据驱动准确性之间的差距,为开发既可解释又广泛适用的锂离子电池寿命预测模型提供了新的见解和方法。

实验片段

机械-电化学性能的全面实验

储能系统的退化由电极结构的机械演变和电化学反应的动力学共同控制[[33], [34], [35]]。为了克服传统“黑箱”寿命预测方法的局限性,识别并提取定量描述电极内机械-电化学性能演变的核心参数至关重要。为此,本文提出了一种并行实验

机械-电化学耦合衰变和相关性分析

电化学阻抗是广泛用于寿命预测的间接指标。然而,它与机械-电化学退化之间的内在关系尚不清楚。通过整合容量衰减、阻抗演变和基于声发射的损伤积累的实验观察,建立了阻抗参数与机械损伤之间的相关性。这种相关性揭示了机械损伤积累与电化学

基于机制的寿命预测和误差分析

基于上述机械洞察,本文开发了一个寿命预测框架,该框架整合了机械-电化学退化机制,如图1所示。参数RSEI和RCT被选为捕捉损伤-电化学耦合过程的关键描述符。通过将这些参数与Paris疲劳理论结合,构建了一个具有物理约束的增强数据集。高斯过程回归(GPR)

结论

准确预测储能设备的寿命对于确保供电效率和运行安全至关重要。为了解决现有的锂离子电池寿命预测模型在机械机制理解上的局限性及其“黑箱”特性,本研究开发了一个基于机械-电化学退化的框架,该框架整合了参数机制验证、机制嵌入和多维操作条件下的验证,形成了一个系统化的方法

CRediT作者贡献声明

谢海梅:撰写 – 审稿与编辑,撰写 – 原始草稿,监督,方法论,资金获取,概念化。孙普恒:撰写 – 原始草稿,可视化,软件,形式分析。张子龙:撰写 – 原始草稿,调查,数据管理。宋海斌:监督,方法论。王一泽:资源,资金获取。张倩:监督,资金获取,概念化。康一兰:验证,监督,方法论,资金获取,

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

本工作得到了国家自然科学基金(项目编号:12472183、12372186、12425203)的财政支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号