锂离子电池热失控预测：一种自适应门控物理-数据融合网络

《International Journal of Heat and Mass Transfer》：Predicting thermal runaway in lithium-ion batteries: An adaptive gated physics-data fusion network

　　# 摘要纯数据驱动的锂离子电池热失控预测模型在跨工况泛化方面面临挑战，而基于物理的仿真计算量往往巨大。为克服上述局限，本研究提出了一种并行物理-数据融合网络（PPDF-Net），通过输出特定的自适应门控机制，将物理信息神经网络与长短期记忆网络分支进行集成。PPDF-Net 可同时预测温度场与反应物浓度，在分布内工况下，温度平均绝对误差达到 0.58 K（R2 = 0.9997），浓度 R2 达到 0.9996。在三个未用于训练的环温工况下，涵盖内插与外推，其温度平均绝对误差为 3.21–6.41 K（R2 = 0.880–0.973）。在 11 种配置中，PPDF-Net 实现了最低的平均浓度平均绝对误差（0.00520）和最高的最坏情况浓度 R2（0.989），同时保持在温度-浓度帕累托前沿。学习得到的门控参数提供了显式的、归一化的、依赖于状态的分支分配，这是固定权重或全局静态权重无法表达的。在标准化特征扰动下，PPDF-Net 在所有非零扰动水平下均产生了六种代表性配置中最低的温度和浓度平均绝对误差。在 15% 扰动水平下，温度平均绝对误差为 6.65 K，浓度平均绝对误差为 0.00891。这些结果支持 PPDF-Net 作为一种计算高效的仿真训练代理模型，用于热安全分析。# 引言随着全球能源系统向清洁能源转型，锂离子电池凭借其高能量密度和长循环寿命，在电动汽车和储能系统中占据主导地位。然而，电池组规模的扩大加剧了热安全风险，使热失控成为一个关键的安全问题。热失控通常由热滥用触发，在秒级时间尺度上引发一系列剧烈的放热反应（如固-液电解质界面分解、氧气释放），导致严重火灾或爆炸。近期电池安全研究日益关注从潜在缺陷形成到早期预警与扩散抑制全链条的热失控问题。Chen 等人回顾了制造缺陷，特别是金属污染物，如何加速退化并形成内部短路路径导致安全失效。Hu 等人总结了从单一电学或热学指标向多信号预警策略的转变，Zhu 等人开发了基于内部压力-温度融合的分级热失控预警框架。在抑制阶段，Zhou 等人提出了一种超薄水合盐凝胶，结合了高热储能密度与温度响应的低热导率，以限制电芯间热失控的扩散。尽管取得了上述进展，热失控固有的指数型"热-化学"耦合使得内部状态变量的实时非破坏性实验测量几乎不可能实现。因此，鲁棒的仿真模型和预测算法对现代电池管理系统至关重要。现有方法可分为三大类。机理建模。Hatchard 等人模拟了烤箱测试，Kim 等人将该框架扩展至三维模型，展示了热点传播特性。Feng 等人利用扩展体积加速量热仪表征了热失控特征，揭示了极端内部状态，如峰值温度达 1143.15 K，空间温度梯度高达 520 K。动力学组件框架和耦合电化学-热模型也被提出以捕捉底层热失控物理机制。数据驱动方法。Jiang 等人采用长短期记忆网络和门控循环单元网络进行表面温度估计，最大绝对误差约 0.75 K，相关系数超过 0.95。Chevalier 等人应用长短期记忆网络同时进行荷电状态和温度估计，均方根误差分别低于 2% 和 1.2 K。对于直接热失控预测，基于长短期记忆网络的故障模型、时频注意力机制（将温度和电压预测的综合相对误差降至 0.28%，并使热失控预测提前 8–13 分钟）以及在线诊断框架推动了数据驱动模型向实用化早期预警系统的转变。物理-数据融合。物理信息神经网络已被用于从最小传感器输入估计模组温度，耦合门控循环单元的热模型实现了高保真的软包电芯估计。物理信息神经网络还被用于从泄压阀数据映射 280 Ah 模组温度场、预测相变材料电池包温度以及从表面信号估计核心温度。对于直接热失控预测，多物理场信息深度算子网络实现了 13.2 K 的均方根误差，相比之下纯数据驱动方法为 25.4 K，据报道比传统有限元方法快一万倍以上。类似地，集成多物理场驱动图神经网络-长短期记忆网络框架成功预测了时空温度演化，在未见的测试数据上报平均绝对误差为 0.072，均方根误差为 0.187。物理信息神经网络与有限差分法的对比研究突出了其潜力——物理信息神经网络实现了 10.04 K 的温度平均绝对误差，浓度误差在 0.01 以内——呼应了早期的结构安全优化研究，并在瞬态流体流动中得到验证的并行物理信息神经网络-长短期记忆网络框架。然而，要实现准确且计算高效的跨工况电池热失控代理建模，仍存在三个关键局限。第一，机理模型受刚性非线性影响，计算成本高昂，难以适用于嵌入式平台，即使采用多尺度缓解策略也是如此。第二，纯数据驱动方法缺乏泛化能力；热失控故障数据获取成本高且稀缺，导致其在未见工况下精度急剧下降。第三，现有融合方法通常仅预测温度，忽视了驱动反应物浓度。此外，正如近期最先进的计算热传递研究所指出的，传统全连接物理信息神经网络在面对强多物理场耦合和共轭传热时表现出严重的性能退化和收敛不稳定性。尽管先进的长短期记忆网络架构在解决高度非线性瞬态热传导方面已证明非常有效，但独立的物理信息框架仍然难以同时捕捉极端电池热场景中典型的阶梯式浓度衰减和长期温度演化。为解决这一空白——即在未见环温条件下同时高保真预测温度和反应物状态的能力缺失——我们提出了并行物理-数据融合网络。其核心创新是一种自适应门控融合机制，根据预测的物理量和瞬时系统状态，为物理约束分支和时间序列分支分配不同的贡献。使用与已发表烤箱加热参考数据标定的耦合有限元模型，生成高分辨率内部状态轨迹，这些轨迹在实验中难以获取。相应地，本研究在仿真定义的域内评估了 PPDF-Net 的准确性、鲁棒性和跨工况泛化能力。所提出的框架旨在为后续使用独立测量的电池数据进行标定和验证提供方法和计算基础。# 方法研究流程如下。首先，通过耦合二维轴对称热传导方程与零维副反应动力学（阿伦尼乌斯方程）构建电池有限元模型。然后通过有限元仿真生成多工况下高时空分辨率的状态变量数据集。随后，使用这些数据集中训练深度学习融合模型，用于同步预测温度场和反应物浓度。# 热失控多物理场模拟结果二维化学动力学模型已与 Hatchard 等人针对 LiCoO?/石墨 18650 电芯在 428.15 K 烤箱加热条件下的实验数据进行验证。模型准确再现了实验温度演化过程。预测的峰值温度（525.0 K）和触发时间（43.5 分钟）与实验值（523.9 K 和 43.1 分钟）高度吻合，偏差分别仅为 0.2% 和 0.4 分钟。整体时间剖面保持均方根误差为……# 结论PPDF-Net 被开发为一种计算高效的代理模型，用于同步预测电池温度场和反应物浓度。其并行的物理信息分支和循环分支通过输出特定的自适应门控融合机制耦合。主要结论如下：（1）开发了一种热-化学耦合的二维轴对称有限元模型，用于对称烤箱加热，相对于文献参考值实现了 2.5 K 的温度均方根误差。在九区域……# 利益冲突声明作者声明不存在已知的竞争经济利益或个人关系，这些关系可能会影响本文所报告的工作。# 致谢本研究得到了安徽省自然科学基金的支持（项目编号：2508085ME109，2508085ME107）；长三角科技创新共同体联合研究项目（项目编号：2025CSJGG02400）。计算工作在合肥工业大学高性能计算平台上完成。# 利益披露作者未报告任何潜在的利益冲突。# 数据与代码可用性重现本文所报告分析所需的材料……