综合学术报告

一、研究的主要作者、机构及发表信息

本文是由Basab Ranjan Das Goswami等科研人员完成的研究，其中作者分别来自University of Arizona的Aerospace and Mechanical Engineering Department、Ampcera Inc.以及Iowa State University的Mechanical Engineering Department。该研究成果发表在《Journal of Power Sources》期刊的2024年第614卷（编号235015），并于2024年7月7日正式上线，研究主题为提升锂离子电池安全性，通过多物理场建模和机器学习预测电池热失控（thermal runaway，简称TR）。

二、研究背景

锂离子电池（LIBs）因其高能量密度、较长寿命和轻量设计而广泛应用于能量存储设备与电动汽车。然而，热失控是锂电池领域的一项重要安全问题，涉及温度失控导致电池热量急剧上升，进而引发火灾或爆炸等灾难性故障。热失控通常由过充、过放、电池内部缺陷或短路等引发，预测并避免热失控事件对电池安全设计至关重要。

当前主流预测手段包括基于数学和多物理模型的热行为模拟，但随着机器学习（ML）技术日益兴起，数据驱动的手段已被广泛用于电池性能预测。然而，关于多物理建模与机器学习方法结合预测电池热失控的研究仍较为稀缺。本文旨在填补这一空白，提出了一种集成化的预测框架，通过综合多物理模型（包括热力、化学和电池衰减子模型）与机器学习网络，精确预测锂离子电池模块的热失控潜力。

三、研究方法与实验流程

1. 整体方法和概况

研究融合了多物理模型与机器学习技术，共包含两个主要模块： - 多物理建模：利用COMSOL Multiphysics软件构建锂离子电池的三维多物理模型，结合P2D（pseudo two-dimensional model）电化学模型，模拟单元模块在不同充放电和驾驶循环条件下的热-电化学行为。 - 机器学习建模：开发了结合图神经网络（Graph Neural Network, GNN）与长短时记忆网络（Long Short-Term Memory, LSTM）的预测框架，基于电池表面热电偶传感器的数据，模拟电池温度的时空分布并预测潜在的热失控。

2. 多物理建模模块的实现

首先，该研究开发了一个包括四个2170圆柱单元的电池模块的多物理模型。模型考虑了电池电化学反应、热生成为主的热行为，以及固体电解质界面分解（SEI，Solid Electrolyte Interface）导致的衰减机制。热因素包括传导和强制对流两种散热模式，冷却介质为50%的乙二醇-水混合物。具体建模流程如下：

1. 电化学公式与边界条件：通过P2D模型表达电池的局部电流、锂离子扩散和传质等电化学反应，提供热生率作为下一步热传导模拟的输入。
2. 3D热模拟与热管理设计：模拟电池表面温度分布，研究冷却蛇形管的散热性能，同时引入随机分布的人工热点以触发TR。
3. SEI分解反应建模：SEI分解以修正的Arrhenius方程为基础，其分解热被整合至热模型，用于模拟TR触发温度和速率。

3. 数据采集与机器学习

多物理结果提供了电池不同位置和时间的温度数据，这些数据通过MATLAB与COMSOL接口提取为CSV格式，并加以预处理供机器学习使用： 1. 数据图形化与邻接矩阵构建：通过计算每个热电偶的空间位置距离，构建图结构，并生成邻接矩阵用于捕捉空间依赖性。 2. 时间序列数据处理：将温度数据按时间步长转化为有序序列，分别划分为训练集（70%）、验证集（10%）和测试集（20%），并对数据进行归一化。 3. GNN-LSTM框架：设定图卷积层提取空间特性，LSTM层提取时间特性，模型最终输出电池表面未来时间步的温度预测值。

四、研究结果

1. 多物理建模结果

在恒定电流（2C）充放电循环中，研究考察了不同数量热点单元对电池温度场分布的影响： 1. 充放电模型：模件中存在热点的电池B2在放电循环中产生严重温升，最高温度达到热失控临界值500 K。将SEI分解速率放大以加速TR观察，模型清楚呈现了指数增长的温升趋势，相应的生成热量被局限在特定位置。 2. 驾驶循环模拟：真实驾驶行为下，电池温度动态变化更加复杂。热点诱导的TR扩散速率较快，模块随时间发热量急剧攀升。

2. 机器学习结果

通过训练GNN-LSTM网络，研究显示预测模型能够显著捕获表面温度随时间和位置的变化规律： - 验证与测试集表现：模型在测试集上的MAE（mean absolute error）为0.072，RMSE（root mean squared error）为0.187，表明预测精度较高。 - 时间序列可视化：热点不同传感器上的实际温度与预测值高度吻合，尤其在最终发生热失控的时间点，模型提前预测了温升趋势。

五、研究结论与价值

本研究提出了一种新颖的多物理建模与机器学习结合框架，验证了其在预测电池热失控风险方面的实际潜力： 1. 科学贡献：填补了常规模型无法捕捉空间-时间温度动态分布的不足，为锂离子电池安全预测建立了良好基础。 2. 应用意义：该方法可进一步拓展至实际电动汽车，利用实时传感器数据构造预测模型，实现电池管理系统（Battery Management System, BMS）中TR的预警，提升电池和车辆安全性。

六、研究亮点

1. 本研究依托先进的GNN和LSTM技术，为锂电池温度预测提供了重要创新。
2. 通过引入人工热点、结合真实驾驶数据，有效提高了实验设置的逼真性。
3. 多物理建模为预测模型生成可控、高精度的温度数据集，开辟了从模拟到实际应用的通道。

七、研究局限与展望

尽管该研究方法显示出巨大潜力，但要实现大规模实施仍存在挑战： - 扩展SEI以外的其它衰减机制； - 与更多电池设计和不同用户行为相匹配； - 提升模型学习速度与硬件集成水平以适配实时操作。

这项研究展示了一个从理论到实际应用皆具创新性的范例，为解决电池安全问题提供了新的参考路径。