加速锂离子电池NCM811正极有效体积模量预测：基于几何简化图的神经网络模型

《Journal of Energy Storage》：Accelerating NCM811 cathode effective bulk-modulus prediction for lithium-ion batteries: A geometry-reduction-based graph neural network

　　•开发了一种基于BIB-SEM到GNN的工作流程，用于预测NCM811正极的有效体模量。•Mapper-DFS能够实现体素化电极微结构的紧凑图表示。•与CNN相比，GNN模型训练成本降低了81.92%，准确率超过了90%。

引言
锂离子电池因其许多优点而备受关注，包括高能量密度、长循环寿命和低自放电率等。锂离子电池充放电的基本原理依赖于锂离子在电极板中的传输及其可逆的嵌入和提取[1]。因此，作为电池与外部电路之间的重要连接部分，正负电极也是电池内部反应的主要场所。它们的性能是决定整个电池性能的关键因素。锂离子电池正极是一种典型的多相复合材料，由孔隙、活性材料、粘合剂和其他成分组成。活性颗粒的粒径分布、电极片变形、孔隙率和电极中的曲折度等结构参数是锂离子电池电极片性能的关键决定因素[2]、[3]、[4]、[5]。在电池单元尺度上，Doyle-Fuller-Newman或伪二维框架通过用均匀化的连续量表示多孔电极，为耦合的电化学过程提供了有效的描述。这类模型对于电池级性能分析非常有价值，但它们没有明确解析单个活性材料颗粒、碳-粘合剂相、孔隙及其界面之间的不规则空间排列[6]、[7]。因此，与颗粒接触、相连接性和微观结构异质性相关的局部响应没有直接体现出来。微观结构解析的研究表明，在多孔电极中可能会出现空间局部的电化学和机械响应，而这在传统的均匀化描述中可能是不可观测的。因此，当目标是研究局部形态的影响或建立直接的微观结构-性能关系时，进行明确的微观结构分析是必要的。然而，电池电极片在结构和成分性能方面往往表现出一定的随机性[8]、[9]。因此，准确重建电极微结构并开发高效的、高保真度的性能预测模型仍然是重要的挑战和活跃的研究领域。

对于锂离子电池电极，X射线扫描技术（CT）是一种利用X射线差分吸收的非破坏性技术。CT技术已广泛用于锂离子电池电极的微观结构表征。P. Shearing等人[10]首次使用X射线断层扫描技术对锂离子电池负极进行了表征，建立了计算电极孔隙率和变形的定量方法。Kashkooli等人[11]基于纳米CT（约50纳米）获得了商用电极片的真实3D结构，并构建了一个从颗粒尺度到电极尺度的多物理场耦合模型。然而，传统的CT技术存在分辨率低和图像质量差的问题。聚焦离子束扫描电子显微镜（FIB-SEM）技术使用聚焦离子束切割样品的同时用SEM成像。该技术通过连续切割实现了材料微观结构的纳米级3D可视化。Stux等人[12]使用FIB-SEM研究了LiCoO2电池电极。Ender等人[13]基于FIB-SEM技术实现了锂离子电池多孔复合正极的3D微观再现。FIB-SEM具有高分辨率，可以达到纳米精度，但其视野狭窄是一个缺点。通过技术改进，Broad Ion Beam-Scanning Electron Microscope（BIB-SEM）可以快速获得大视野的横截面图像。然而，重复使用该设备进行大规模电极片微观结构建模分析需要大量的时间和实验资源。随着人工智能（AI）在电池领域的应用，研究人员开发了深度学习方法来生成电极片的3D微观结构。基于深度学习的生成模型被广泛用于重建复杂的多孔结构。Mosser等人[14]使用生成对抗网络（GAN）从有限的2D切片中重建了3D多孔介质，保留了关键的形态特征（如孔隙连接性和曲折度），并提高了获取高分辨率模型的效率。Li等人[15]使用GAN模型从单个SEM图像生成了一批多孔微观结构模型。他们的模型通过将生成的输出与单个多孔结构的真实SEM图像进行比较进行训练，成功生成了多批多孔微观结构模型，同时降低了训练成本。Yang等人[16]基于迁移学习构建了一个用于电极微观结构随机重建的网络。使用一个或多个电极横截面的SEM图像，他们生成了与实际电极结构相似的3D微观结构。生成模型是建模大量电极片高分辨率微观结构的优秀选择，但训练生成模型需要庞大的数据库。与直接重建和重新训练模型相比，Yang等人[16]采用了一种低成本训练方法，利用预训练模型，这是一种有效且高效的电极片微观结构生成策略。

在重建电极微结构后，如有限元方法（FEM）和离散元方法（DEM）等离散数值模拟（DNS）方法已被广泛用于分析锂离子电池电极的多场耦合性能。Xie等人[17]建立了锂离子电池的电化学和热模型，并使用FEM模拟了在不同充电策略（如恒流、恒压和脉冲充电）下锂离子电池的热特性和能量效率的变化，揭示了充电速率与温度分布之间的相关性。Giménez等人[18]使用DEM模拟了压延过程中活性材料、导电剂和粘合剂颗粒之间的微观相互作用。高保真的DNS可以有效预测电极的复杂多场耦合响应。然而，为了预测不同电极的性能，通常需要重复DNS过程，导致计算成本较高。随着深度学习的广泛应用，替代模型显示出替代数值模拟的潜力。Li等人[19]基于卷积神经网络（CNN）结合图像建模预测了异质材料的机械性能。Yang等人[16]构建了一个3D CNN来预测复合材料的机械和热等效性能。与CNN相比，图神经网络（GNN）也广泛用于异质材料（如电极）的研究。Louis等人[20]采用基于注意力机制的GNN，通过构建原子级图结构表示建立了电极的局部化学分布与电压之间的结构-性能关系。Strom等人[21]用GNN替代了FEM求解器，实现了异质材料的加速FEM计算。Chung等人[22]使用Mapper-DFS算法对岩石体素模型进行了降维和图数据转换，然后训练了一个GNN，实现对岩石体素模型等效模量的高效准确预测。CNN在处理大量输入数据时训练效率较低。与对于大规模输入数据可能计算密集的CNN相比，GNN在保持准确性的同时显著降低了训练成本。然而，电池正极需要一个特定的机械性能替代工作流程，该流程将实验微观结构表征、随机三维重建、组分相解释、正极特定的FE均质化和基于图的预测联系起来，本研究使用有效体模量作为代表性的标量机械目标进行了评估。

基于Chung等人引入的Mapper-DFS–GNN框架，本研究适应并验证了一个面向应用的机械性能替代工作流程，用于图像衍生的NCM811正极微结构，以有效体模量作为代表性的标量预测目标。具体而言，本研究：（1）结合了BIB-SEM表征和基于迁移学习的随机重建来生成三维正极微结构；（2）建立了特定于正极的FE均质化标签，并将活性材料和合并的CBD-孔结构转换为图表示；（3）在受控的数据集和训练协议下，与基于体素的3D CNN进行了预测准确性、输入数据缩减、GPU内存需求和端到端计算时间的比较；（4）通过空间分组验证、Mapper-DFS参数敏感性分析、特征消融以及与基于成分的回归基线的比较，评估了图表示的鲁棒性和附加值。该工作流程如图1所示。

### 部分内容摘要
#### 电极微观结构表征和生成
目前获取电极微结构的方法包括实验技术（如CT扫描和FIB-SEM）以及计算方法（如深度学习）。然而，高分辨率CT扫描是一个极其耗时的过程，而FIB-SEM通常视野有限。在这项工作中，我们使用了自行开发的BIB-SEM系统来表征电极微结构，实现了高分辨率和大视野。

#### 基于簇的图神经网络框架
本研究使用Mapper-DFS算法将电极的3D微观结构模型转换为图数据，然后基于图表示的电极模型构建了GNN。为了进行比较，还开发了架构复杂度相当的CNN。

#### 模型训练
GNN和CNN模型采用了相同的训练策略。1000个样本的数据集被随机分割，其中900个样本用于训练集，剩下的100个样本作为测试集用于最终评估。训练集进一步被划分，80%的样本用于参数更新，20%的样本用于每个训练周期后监控过拟合情况。训练过程中应用了动态学习率调整，并根据验证损失进行调整。

#### 结论
本研究建立了一个面向应用的替代工作流程，通过整合BIB-SEM表征、基于迁移学习的随机重建、FE均质化、Mapper-DFS图简化以及GNN回归，高效预测NCM811正极微结构的有效体模量。重建的体素模型被转换为紧凑的图表示，并在一致的建模和训练协议下与基于体素的3D CNN进行了评估。

### CRediT作者贡献声明
Jiarong Wang：写作 - 审稿与编辑、写作 - 原始草稿、可视化、方法论、调查、数据管理、概念化。
Chunwang He：写作 - 审稿与编辑、监督、调查、形式分析、概念化。
Xinwei Yang：软件、资源。
Le Yang：验证、监督。
Haosen Chen：监督、项目管理。

### 竞争利益声明
作者声明没有已知的竞争财务利益或个人关系可能影响本文所述的工作。

### 致谢
作者感谢国家自然科学基金（编号12302163）、国家重点研发计划（项目编号2023YFB2408000）和北京自然科学基金（L2605016）的支持。

Jiarong Wang | Chunwang He | Xinwei Yang | Le Yang | Haosen Chen