本研究由东南大学机械工程学院的Shanling Ji、Zhisheng Zhang、Jianxiong Zhu与慕尼黑工业大学（Technical University of Munich）的Jun Yuan、Bojing Zhang、Aleksei Sanin、Leon Merker、Helge Sören Stein等人合作完成，于2025年10月27日在线发表于《Advanced Science》。该研究提出了一种名为“物理信息电池建模网络”（Physics-Informed Battery Modeling Network, PIBMN）的新方法，旨在解决电池在不同动态工况下行为预测的普适性难题。

锂离子电池在制造和使用过程中，其内部物理化学状态具有高度非线性和不透明性。传统的高保真模型如P2D-Doyle-Fuller-Newman（P2D-DFN）模型虽然能在短中期时间尺度上提供精确的电化学描述，但需要详细的电池内部材料参数和几何信息，往往依赖于拆解电池获取数据，难以跨化学体系、电池形态和工况进行推广。等阶电路模型（Equivalent Circuit Model, ECM）虽计算简便，却难以揭示电池内部的复杂电化学机制。近期的机器学习方法虽然在特定体系下表现良好，但普遍依赖大量训练数据，且跨化学体系和动态工况的泛化能力有限。因此，本文旨在建立一种兼具高保真、低计算成本、强泛化能力且能实时解耦电池内部机制的建模框架。

PIBMN的核心思路是将电池的快速动态（时间常数小于10秒，如欧姆阻抗和电荷转移过程）与慢速动态（时间常数10至500秒，如扩散过程和开路电压）分别由两个独立的神经网络进行建模。快速动态网络（FD Net）和慢速动态网络（SD Net）均以物理约束为损失函数的一部分，利用2-RC等效电路模型或包含Warburg阻抗和固态电解质界面（SEI）层的高阶模型生成训练标签。在实时应用中，两个网络之间通过迭代交互更新输入，从而实现端电压的连续跟踪和内部状态变量的解耦估计。与标准物理信息神经网络（PINN）不同，PIBMN还引入了物理信息Kolmogorov-Arnold网络（PIKAN），通过可学习的激活函数提高对非线性电化学过程的表达能力和可解释性。

研究首先在LG M50电池（NMC/C-SiOx体系）的模拟数据和Maxell ML2016扣式电池的实验数据上验证了PIBMN在工况迁移中的电压跟踪能力。从GITT（恒电流间歇滴定技术）工况训练得到的模型可直接用于US06驾驶循环的端电压和开路电压（OCV）预测，PIKAN估计OCV的R²达0.83，在保证精度的同时，计算速度显著快于DFN模型。在10至20°C环境温度下，PIKAN估计的欧姆内阻随温度降低而升高，与电化学阻抗谱（EIS）分析结果一致，且其对SOC依赖性的非线性变化比PINN更符合物理规律。与传统电池建模方法相比，PIBMN在计算成本和模型保真度之间取得了更好的平衡。

研究进一步将模型扩展至高阶等效电路，引入Warburg阻抗和SEI膜生长过程。通过Spearman秩相关分析，发现两个模型分解得到的欧姆过电位和开路电压高度相关（系数接近0.95），而SEI电阻与电荷转移电压之间的相关较低，说明高阶模型能更细致地分辨不同电化学过程。利用SHAP重要性分析，研究发现在前两次化成循环中SEI电阻的差异对电池化成性能（容量损失和库仑效率）影响最显著，表明连续监测SEI形成动态对于电池管理策略的主动优化具有重要意义。

在机制解耦方面，研究基于不同氟代碳酸乙烯酯（FEC）和碳酸亚乙烯酯（VC）添加剂比例的CR2032扣式电池化成数据，估计了SEI生长和极化电压的演化。当阳极单位面积添加剂浓度较高时，SEI形成动力学增强，但循环过程中的极化也相应加剧。在3 mAh/cm²阳极负载下，0.1 wt% VC添加剂的电池表现出较低的SEI生长和更高的极化，推测低VC浓度下死锂积累是主要原因，而提高VC添加量可抑制该寄生反应。该部分的分析尚缺乏直接的实验验证，作者也指出未来需要更严格控制的添加剂比例实验和更频繁的EIS测量以进一步验证模型推断。

研究还考察了PIBMN在老化预测中的表现。利用MIT-Stanford数据集（124个LFP 18650电池）和KIT-Tongji数据集（NCA、NCM和NCM+NCA电池），基于前10至20个循环的电压数据和物理参数估计，通过CNN-LSTM模型预测后续老化轨迹。与仅使用电流和端电压等电信号作为输入特征相比，使用PIBMN解耦得到的物理参数（R0、R1、R2、τ1、τ2）能获得更准确和更可靠的老化预测，在NCM电池上误差显著降低。研究还引入了95%置信区间和校准曲线评估模型的不确定性，发现基于物理先验的预测在大多数电池类型上具有较好的校准性。

PIKAN在该研究中的实现采用了KAN Linear架构，通过残差激活函数（结合SiLU和可学习B-spline）替代传统MLP的固定激活函数，从而在保持端到端可训练的同时提升参数效率和非线性表达能力。模型训练过程中，物理损失权重随训练轮数自动增加，采用RAdam、Lookahead和AdamW等优化器以缓解PIKAN在陡峭输入梯度下的不稳定性。所有数据集中的电流和电压信号均重采样至1秒分辨率，训练集与测试集按8：2划分。

该研究的核心价值体现在三个方面。第一，PIBMN实现了从形成阶段或GITT等常规测试数据出发，对未知化学体系电池进行非侵入式参数映射，无需拆解电池即可获得内部电化学状态的连续估计。这使得电池化成阶段的早期质量分级和寿命预测成为可能，对制造过程的在线质量控制具有重要意义。第二，通过将快慢动态显式解耦，PIBMN不仅能跟踪端电压，还能实时输出SEI电阻、电荷转移电阻、扩散相关极化电压等机制相关变量，为电池失效模式的早期识别提供了新的技术路径。第三，该框架在模型保真度和计算开销之间取得了实用性的平衡，能够嵌入电动汽车、家庭储能和电网稳定等不同应用场景的电池管理系统中。

该文的代码已在GitHub开源，电池化成和循环数据可通过Zenodo获取，体现了良好的可复现性和开放科学实践。总体而言，PIBMN代表了一种将物理约束与双网络连续学习相结合的电池建模新范式，为跨化学体系、跨工况的电池状态监测和老化预测提供了一条兼具机理解释性与工程实用性的技术路线。