用于锂离子电池中形貌依赖的电-化学-力学行为的多尺度驱动代理建模

《Journal of Energy Storage》：Multiscale-driven surrogate modeling for morphology-dependent electro-chemo-mechanical behavior in lithium-ion batteries

　　

• •
  开发了一种用于形态依赖电池行为的替代框架。
• •
  将多尺度电化学-力学模拟与机器学习相结合。
• •
  同时预测电压、通量、应力和表面浓度。
• •
  引入了用于未见粒径的半径感知插值方法。
• •
  实现了比多尺度模拟快数个数量级的预测速度。

引言

全球向低碳能源系统的转型[1]显著增加了对高效可靠储能技术的需求[2]。锂离子电池（LIBs）因其高能量密度、长循环寿命和高效率，已成为便携式电子产品、电动汽车[4]和电网应用的主导储能解决方案[3]。在各种正极材料[6]中，富镍层状氧化物如LiNi_xMn_yCo_zO₂（NMC），尤其是NMC811，因其高比容量和降低的钴含量而受到广泛关注，这既提高了能量密度又降低了材料成本[7]。然而，富镍正极也与多种退化机制[8]相关，包括结构不稳定性、颗粒断裂[9]以及在高倍率循环期间的快速容量衰减[10]。

锂离子电池的电化学性能和退化受电化学传输、锂扩散和机械诱导应力之间复杂相互作用的控制[11]，[12]。在富镍正极中，锂嵌入和脱嵌产生浓度梯度，进而在活性颗粒内诱导应力场[13]。这些应力可能导致颗粒开裂、相分离和微观结构损伤，从而改变离子传输路径和反应动力学[14]。因此，准确预测电池行为需要能够捕获多个长度尺度上耦合电化学-力学相互作用的建模框架[15]。

基于多孔电极理论[16]的传统物理模型，如Doyle–Fuller–Newman（DFN）模型[17]，已被广泛用于描述电池级电化学动力学。虽然这些模型计算效率高，但它们依赖于电极微观结构的均质化描述[18]，因此无法直接捕获颗粒尺度异质性对电池性能的影响[19]。为解决这一局限性，已开发出微观结构解析模型来明确模拟实际电极几何中的锂传输和电化学反应[20]。已开发出三维电化学-力学模型来研究全固态电池复合正极的失效机制并调控其性能[21]，[22]，相场方法进一步解决耦合退化问题[23]。相关研究将电化学-力学建模扩展到异质硅基电极和界面不稳定性[24]，[25]，以及硅阳极上液态金属界面层的设计[26]。电化学-力学模型也被用于研究界面缺陷如何影响固态电解质中的应力局部化和裂纹形成[27]。这些模型提供了关于电极微观结构与性能关系的宝贵见解，但计算成本高，因此不适用于广泛的参数研究或设计优化[28]。

多尺度建模框架已被提出通过将宏观尺度电化学模型与微观尺度颗粒解析模拟耦合来弥合这一差距[29]。在此类方法中，连续介质尺度模型描述电池级电化学，而代表性微观结构捕获电极颗粒内的详细传输和力学行为[30]。尽管这些多尺度模型提供了更高的物理保真度，但计算成本仍然极高，因为微观尺度模拟必须在宏观尺度域和时间演化中反复求解[31]。

最近，机器学习（ML）技术已成为加速电池模拟的有前景工具[32]，通过在高保真数据集上训练替代模型[33]。数据驱动模型已成功应用于各种电池相关任务[34]，包括荷电状态（SOC）估计[35]、退化预测[36]以及电化学模拟的替代建模[37]。特别是，基于ML的替代模型可以模拟计算成本高昂的物理模拟行为，同时将计算时间减少几个数量级[38]。先验知识驱动的机器学习也已应用于预测固态电解质中与电化学-力学失效相关的应力分布，展示了物理信息学习加速耦合电池分析的潜力[39]。

尽管取得了这些进展[40]，[41]，但大多数现有机器学习模型主要关注系统级量如电压或SOC[42]，只有有限的研究尝试预测控制电池行为的内部多物理场[43]，[44]，[45]。即使在这些情况下，模型通常基于微观结构的简化或纯数据驱动表示，这限制了物理可解释性和训练域之外的泛化能力[46]。在形态依赖电池行为的背景下，这一局限性尤为关键，因为电极微观结构在真实系统中连续变化。

为解决这些挑战，本研究开发了一种基于机器学习的多尺度替代建模框架，用于具有NMC811正极的锂离子电池。首先构建了一个耦合的电化学-力学多尺度模型，将一维准二维（P2D）电化学模型与颗粒解析的三维代表性体积单元（RVEs）集成。多尺度模拟捕获了正极微观结构在不同操作条件下锂浓度、界面通量和静水应力的演化。

然后使用基于CatBoost回归的机器学习替代模型，利用多尺度模拟数据训练，以显著降低的计算成本再现电池系统的耦合电化学-力学响应。为实现跨颗粒形态的泛化，引入了基于形状保持三次Hermite样条的半径感知插值策略，使替代模型能够预测训练数据集中未包含的颗粒尺寸的电池行为。

本研究的主要贡献总结如下：

• 1.
  开发了一种双向电化学-力学多尺度建模框架，将P2D电池模型与NMC811正极的颗粒解析三维微观结构耦合。
• 2.
  开发了一种替代建模框架，将机器学习预测与几何感知插值相结合，以准确重建跨颗粒尺寸的电化学-力学响应。
• 3.
  证明直接机器学习模型，即使具有物理启发特征，对未见颗粒尺寸的预测能力有限，而所提出的r样条辅助框架显著提高了预测准确性和鲁棒性。

所提出的框架显著降低了多尺度电池模拟的计算成本，同时保持了控制形态依赖电化学-力学行为的基本物理关系。该方法为快速探索提供了高效实用的工具，并在未来电极设计优化中具有潜在应用。

章节摘要

方法

为了研究锂离子电池中形态依赖的电化学-力学行为并构建高效替代模型，开发了一个两阶段框架。首先，通过将宏观尺度电化学模型与颗粒解析微观结构模拟耦合，构建了一个基于物理的多尺度模型。其次，使用多尺度模拟生成的数据训练机器学习替代模型，以再现耦合的电化学-力学响应

替代模型验证与性能评估

本节评估所提出的替代框架与完整多尺度模拟的对比。评估涵盖未见颗粒半径下的模型比较、所有输出变量的预测准确性以及计算效率。插值在锚点范围内和有限端点外推分别进行评估。

结果与讨论

使用经过验证的r样条辅助替代模型，本节评估替代框架是否能在所研究的颗粒尺寸和操作条件下再现底层多尺度模型的电化学-力学响应。分析重点在于不同颗粒尺寸下电压、界面通量、表面浓度和静水应力等关键变量的演化。

结论

在本研究中，开发了一个多尺度替代建模框架，以高效预测具有NMC811正极的锂离子电池中形态依赖的电化学-力学行为。一个基于物理的多尺度模型，耦合了P2D电化学模型与颗粒解析的三维微观结构，用于生成捕捉电压、界面通量、锂浓度和应力演化的高保真数据集。

一个机器学习替代模型被

CRediT作者贡献声明

Syed Farhad Shah: 撰写 – 初稿，可视化，验证，软件，方法，调查，形式分析，数据管理。 Seungjun Lee: 撰写 – 审阅与编辑，监督，资源，项目管理，资金获取，概念化，方法。

利益冲突声明

作者声明，他们没有已知的竞争财务利益或个人关系可能影响本论文报告的工作。

致谢

本研究得到韩国国家研究基金会资助，由科学和信息通信技术部资助（RS-2026-25481125）。

Syed Farhad Shah|Seungjun Lee