一个基于物理学的数字孪生模型揭示了锂离子电池短路(膝点)发生的机械阈值
《Energy Storage Materials》:A physics-informed digital twin reveals the mechanistic threshold for knee-point onset in lithium-ion batteries
【字体:
大
中
小
】
时间:2026年10月23日
来源:Energy Storage Materials 19.3
编辑推荐:
摘要:锂离子电池在长时间稳定运行后可能会突然退化,这一过程被称为“膝点”故障转变,但目前的标准监测方法无法检测到控制这一转变的内部电化学状态。在这里,我们基于深度算子网络开发了一个物理信息驱动的数字孪生模型,该模型能够捕捉锂离子在电极颗粒和电解质中的扩散动态,并在完整的充放电周期
摘要:锂离子电池在长时间稳定运行后可能会突然退化,这一过程被称为“膝点”故障转变,但目前的标准监测方法无法检测到控制这一转变的内部电化学状态。在这里,我们基于深度算子网络开发了一个物理信息驱动的数字孪生模型,该模型能够捕捉锂离子在电极颗粒和电解质中的扩散动态,并在完整的充放电周期内进行稳定的递归模拟。通过在16个电池单元上部署这一数字孪生模型,并在不同条件和温度(10°C、25°C、40°C)下进行测试,我们跟踪了退化模式的演变——区分了锂库存的损失和每个电极上活性材料的损失——其均方根误差低于仅使用常规0.3C充电数据的3%,而无需专门的诊断测试。对阳极过电位的实时监测揭示了阳极活性材料损失与锂镀层形成之间的定量阈值,这一阈值区分了出现“膝点”的电池和没有出现“膝点”的电池。这一阈值量化了镀层-退化反馈回路的关键耦合强度,在电池使用寿命的早期阶段就可以检测到,即使传统的容量测量方法显示电池之间没有差异,它也为预测和潜在地防止“膝点”现象提供了定量标准。
引言:复杂的电化学系统通过相互交织的机制退化,而这些机制的特征对外部测量来说是隐藏的,这为预测诸如锂离子电池中的“膝点”这种灾难性故障转变构成了根本性障碍——即电池在多年稳定运行后容量的突然加速损失 [1]。随着全球装机容量的快速增长,解决这一挑战越来越依赖于电池管理系统(BMS)实时准确跟踪内部动态状态的能力 [2,3]。过去十年中,数据驱动的方法作为一种强大的工具出现,可以绕过第一性原理求解器,为电池内部状态(如电量状态(SOC)、健康状态(SOH)和剩余使用寿命(RUL)等提供高效的实时推断方法 [4,5,6,7,8]。尽管数据驱动模型可以提供快速的预测,但由于缺乏覆盖广泛操作条件的高质量标记数据集,其实际应用受到了显著限制 [9, [10], [11]]。利用机器学习(ML)从丰富的可测量数据中提取锂离子电池的内部状态是一个关键挑战。
近期研究转向了将基于物理的模型(PBMs)与ML结合的混合建模框架。其吸引力在于将PBMs提供的机械基础与ML的非线性学习能力相结合,从而实现快速预测,并提高可解释性和泛化能力。这类框架可以分为外部集成和内部集成方案 [12,13]。在外部混合建模中,PBMs既用于生成大规模合成数据以弥补实际标记数据的稀缺性,也用于指导物理信息特征的开发,从而提高ML在不同场景下的泛化能力,如电池退化诊断 [14, [15], [16], [17]]、故障检测 [18,19] 以及早期寿命预测 [20, [21], [22]]。然而,确保模型的高保真度需要仔细评估合成数据和实际数据之间的分布差异,由于电池在复杂操作条件下的多样化老化行为,这很困难。相比之下,内部集成将控制方程直接作为约束条件融入ML中,从而将物理定律转化为额外的监督,减轻了ML训练对大量现场数据的需求 [23, [24], [25], [26]]。Xiong等人将开路电压(OCV)重建模型融入神经网络(NNs),以将碎片化的电压测量结果映射到OCV曲线上 [23]。Wang等人利用NNs模拟电池退化动态,并将其作为物理约束条件,以实现不同电池化学成分下的统一SOH估计 [25]。Deng等人将热电耦合方程引入损失函数,以从电信号预测温度分布 [26]。这些研究表明,将物理信息约束融入ML可以帮助控制输入输出关系,减少现场数据的需求。然而,锂离子电池的内部状态与高维参数空间之间的强耦合使得从外部信号明确建立物理映射(到内部状态)变得困难,从而限制了这些方法在表征锂离子电池多物理特性方面的适用性。
为了解决这一挑战,需要比上述混合建模更紧密地整合ML和物理知识,以实现电池内部动态的高效学习,从而进行准确的状态估计。现有的基于物理的电池数字孪生ML框架大致可以分为物理信息驱动的神经网络(PINN)和基于神经算子的方法。前者直接将控制方程嵌入训练过程。Hassanaly等人建立了一个参数化PINN框架用于电池建模,并证明了其在电化学参数推断中的有效性 [27]。然而,当处理具有非自治动态和变化初始条件的电池系统时,基于PINN的方法存在局限性 [28]。外部控制输入或初始状态的任何变化都会改变系统动态,因此需要重新训练PINN模型。这样的重新训练既耗时又计算密集,使得实际应用变得不切实际。后者通过直接建立输入和输出函数之间的映射(例如,从系统输入到偏微分方程(PDE)解)来泛化PINN框架,并在捕捉扩散动态方面表现出良好的性能 [29, [30, [31]], [32]]。此外,Panahi等人引入了一个参数嵌入的傅里叶神经算子(PE-FNO)框架,其中将粒子依赖的扩散率和半径作为额外输入,以提高对电极颗粒内锂浓度演变的预测精度 [33]。尽管这些进展在泛化初始状态和操作条件以及提高预测精度方面取得了进展,但这些实现仍然受限于固定的模拟范围和预定义的电化学参数设置,因此无法捕捉实际应用中遇到的长期动态操作条件和 evolving 退化行为。
在这项研究中,我们重新设计了传统的DeepONet,以捕捉锂离子在电极颗粒和电解质中的时空扩散动态,其保真度可与含有电解质动态的单颗粒模型(SPMe)相媲美,实现了锂离子电池的物理信息驱动数字孪生模型。所提出的框架不是学习从输入电流函数到有限时间范围响应轨迹的映射,而是学习在耦合的电化学状态参数空间中的状态转换算子,将神经算子的应用范围扩展到生命周期感知的数字孪生建模。通过开发自适应参数跟踪策略,该模型能够在不同条件和温度下,仅使用常规0.3C充电数据对16个电池单元进行全生命周期退化模式诊断,而无需专门的诊断测试。对内部电化学状态的实时监测揭示了阳极活性材料损失与锂镀层形成之间的定量耦合关系,这一关系控制了“膝点”的出现——这是一种在电池使用寿命早期阶段就可以检测到的自我强化反馈阈值,即使传统的容量测量方法显示电池之间没有差异。这些结果建立了内部电化学动态与宏观故障转变之间的直接联系,为预测和潜在地防止灾难性电池退化提供了基于物理的依据。
部分代码片段:将锂离子扩散动态构造为神经算子学习问题
如图1所示,我们为锂离子电池建立了一个基于DeepONet的数字孪生框架,该框架包含三个独立的DeepONet,分别表示为?????、??+??和????,用于学习电极颗粒和电解质中的锂离子扩散过程。锂离子扩散动态从根本上决定了电池系统内锂离子浓度的演变(参见补充表1中的控制方程)。
观点:通过该框架实现的电池物理的准确建模为预测和智能控制奠定了基础(参见补充图36的展望)。未来的扩展可能会纳入多时间尺度退化模型,以支持预测性老化轨迹分析,而这里展示的实时内部状态监测可以实现快速充电优化、热管理和安全风险评估——使BMS从被动监测转向主动管理。
结论:据作者所知,以前的算子学习方法尚未从实验数据中完整地诊断出在不同操作条件和温度下的全生命周期退化模式。这里开发的递归DeepONet框架通过实现任意电流剖面和不同电化学参数组合下稳定的、符合物理规律的锂离子扩散动态模拟,解决了这一挑战,其保真度可与SPMe相媲美。
电池循环和表征:本研究使用了Kirkaldy等人生成的16个商用21,700个圆柱形电池单元(LG M50T, LG GBM50T2170)的数据集 [41]。每个电池单元的标称容量为5 Ah,由基于LiNi?.?Mn?.?Co?.?O?(NMC811)的正极和基于C/SiOx复合材料的负极组成。电池在三种温度(10°C、25°C、40°C)下进行完整的0–100% SOC范围内的循环测试。电池通过0.3 C恒电流恒电压(CC–CV)协议充电。
代码可用性:本研究开发的DeepONetFBat框架的定制代码可在GitHub上公开获取:https://github.com/Electrochemical-Storage-and-Safety/spme-digital-twin。
作者贡献声明:
Mingyuan Zhao:撰写 – 原始草稿、可视化、验证、方法论、调查、形式分析、数据整理。
Binghe Liu:撰写 – 审核与编辑、形式分析。
Yongjun Pan:撰写 – 审核与编辑、形式分析。
Huizhi Wang:撰写 – 审核与编辑、形式分析。
Yongzhi Zhang:撰写 – 审核与编辑、监督、资源管理、项目协调、方法论、调查、资金获取、形式分析、概念化。
生物通微信公众号
生物通新浪微博
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