COMSOL多物理场与机器学习预测锂电池热失控

爱迪赛恩公司

中文

English

当前位置：

首页 >

COMSOL多物理场与机器学习预测锂电池热失控

2025-10-03 14:01

COMSOL多物理场与机器学习预测锂电池热失控

Comments

这篇论文巧妙地将“物理模拟”和“人工智能”结合，打造了一个能提前预测电池起火风险的“数字哨兵”。当前电动汽车行业最大的痛点之一就是电池安全焦虑，尤其是热失控（Thermal Runaway, TR），即电池起火爆炸。传统的电池管理系统（BMS）只能实时监测温度，无法“未卜先知”。这篇论文的思路，是通过高度仿真的物理模型来“批量生产”电池在各种危险工况下的温度数据，然后用这些数据来训练一个能够同时理解时间和空间关联性的深度学习模型（GNN-LSTM）。这种方法有望催生出新一代的智能BMS，它不再是被动地报警，而是能主动预测并提前干预，从而将热时空险扼杀在摇篮里，对提升电动汽车的整体安全性具有重要价值。

摘要

为了解决锂离子电池（Lithium-ion batteries, LIBs）的安全问题，本研究提出了一个结合了先进机器学习（Machine Learning, ML）技术和多物理场建模的新颖框架。该框架旨在通过一个集成了热、电化学和退化子模型的综合物理模型，来训练一个机器学习模型，以预测锂离子电池模组中热失控（TR）的发生。研究的核心在于理解负极表面固体电解质界面（Solid Electrolyte Interface, SEI）膜的分解，这一过程被认为是触发热失控的关键退化现象。通过多物理场模型，我们能够研究电池在恒流充放电和模拟真实驾驶循环等不同条件下的电化学与退化过程。为了捕捉电池温度的时空变化特性，本研究将用于处理空间变化的图神经网络（Graph Neural Network, GNN）与用于处理时间演变的“长短期记忆网络”（Long Short-Term Memory, LSTM）相结合。结果表明，该机器学习模型能够基于电池上温度传感器的时空数据，高精度地预测电池温度，从而通过识别潜在的热点，实现对热失控的提前预警。

引言

研究背景: 锂离子电池因其高能量密度、长寿命和轻量化设计而被广泛应用，但其安全性，特别是热失控（TR）风险，始终是一个重大挑战。热失控是由失控的放热反应导致温度急剧上升并引发的灾难性故障。尽管学术界已经开发了多种数学模型来预测热失控，但传统的数学建模难以捕捉所有复杂的非线性关系。近年来，机器学习方法展现出巨大潜力，但多数研究存在局限，例如难以在紧凑的电池包内获取所需数据（如热图像），或者模型无法同时处理复杂的时间和空间依赖关系。

本文贡献:

•贡献一：开发了一个包含电化学、热学和SEI分解退化机制的多物理场模型，用于模拟电池模组在真实工况（包括恒流充放电和FTP 75驾驶循环）下的热行为，并生成高质量的训练数据。

•贡献二：首次将图神经网络（GNN）和长短期记忆网络（LSTM）相结合，构建了一个创新的时空预测框架，用于处理来自电池表面传感器的温度数据，以预测热失控。

•贡献三：通过在模型中人为引入“热点”来模拟由SEI分解引发的局部过热，使模拟更贴近真实世界中热失控的触发机制，并验证了机器学习模型在不同热点配置下的预测能力。

实验设计

实验对象:

•电池单元: 采用通用的2170型圆柱锂离子电池，正极材料为NMC111（镍锰钴比例为1:1:1），负极材料为石墨。

•电池模组: 仿真模型为一个由四个2170电池组成的代表性单元，电池间集成了蛇形液冷通道。

•冷却液: 50%的乙二醇和水的混合物。

•仿真平台: 使用COMSOL Multiphysics 6.1进行多物理场建模，并结合MATLAB进行数据提取与处理。

测试条件:

•工况一 (恒流充放电): 电池在2C倍率（即以额定容量一半的电流进行充放电）下进行循环测试，以加速SEI膜的生长和分解，从而触发热失控。

•工况二 (驾驶循环): 采用联邦测试程序75（FTP 75）驾驶循环来模拟电动汽车在真实世界中的行驶行为，使电池承受动态变化的电流负载。

•热点设置: 在模型中，人为地在电池内部的随机位置设置一个或多个高温热点，以模拟由局部缺陷引发的SEI分解和热失控的起始。

研究方法

核心思路/总体框架 : 本研究的总体技术路线是“物理建模”与“数据驱动”相融合。首先，利用高精度的多物理场模型模拟电池在各种工况下（特别是接近热失控时）的详细热行为，生成大量难以通过物理实验获取的时空温度数据。然后，将这些仿真数据用作“养料”，训练一个先进的GNN-LSTM机器学习模型，使其学会从历史温度数据中预测未来的温度趋势，最终实现对热失控的提前预警。

关键模型/理论基础 :

•多物理场模型: 该模型耦合了两个核心部分。第一部分是“伪二维模型”（Pseudo-2D, P2D），它在微观尺度上精确描述了电池内部的电化学反应、离子传输和电流分布。第二部分是一个三维（3D）热模型，它负责计算整个电池模组的宏观热量产生与传递，包括传导和对流散热。两者通过热生成率和平均温度进行双向耦合。该模型的关键之处在于引入了SEI膜分解的动力学方程（基于阿伦尼乌斯函数），该分解过程是强放热反应，被认为是触发热失控的主要内部原因。

•GNN-LSTM模型: 这是一个专为处理时空数据设计的深度学习网络架构。

o图神经网络 (GNN): 负责捕捉“空间”依赖性。它将电池表面的多个温度测点视为一个“图”的节点，测点之间的物理距离关系则构成图的“边”。通过图卷积层（Graph Convolution Layer），GNN可以有效地聚合相邻测点的信息，从而理解热量是如何在空间上传播和分布的。

o长短期记忆网络 (LSTM): 负责捕捉“时间”依赖性。LSTM是一种特殊的循环神经网络（RNN），非常擅长处理时间序列数据。它能够“记忆”过去较长一段时间内的温度变化趋势，并利用这些历史信息来预测未来的温度。

o两者结合后，模型首先通过GNN层提取每一时刻的温度空间特征，然后将这些特征序列输入到LSTM层进行时间序列分析，最终通过全连接层输出对未来温度的精确预测。

结果与讨论

图表核心内容

Figure 5: 该图展示了在2C恒流充放电条件下，电池模组的电压和最高温度随时间的变化。图5b清楚地显示，被设定为有缺陷的电池B2的温度在经历数次循环后开始急剧上升，最终达到500K的热失控阈值，而其他正常电池的温度则保持在相对较低的水平，这直观地展示了由内部退化引发的局部热失控过程。

Figure 6: 该图通过温度云图展示了在不同热点设置下，电池表面的温度分布情况。图中清晰可见，热量从电池B2内部的热点位置向外扩散，导致B2整体温度显著高于相邻的B1、B3、B4电池，说明了单个电池的局部热点是如何成为整个模组热失控的源头的。

Figure 7: 该图展示了在模拟真实驾驶循环（FTP 75）工况下电池的放电曲线和温度变化。与图5类似，图7b的插图突出显示了在模拟运行后期，缺陷电池B2的温度同样出现了指数级的急剧攀升，表明本文所建立的模型能够复现在动态和真实工况下的热失控现象。

Figure 8: 该图是机器学习模型预测效果的核心展示，对比了GNN-LSTM模型预测的未来350个时间步（秒）的电池表面温度（蓝色曲线）与从物理仿真中得到的真实温度值（红色曲线）。可以看出，在三种不同的传感器布局下，预测曲线与真实曲线都高度吻合，尤其是在温度急剧上升的热失控阶段，这证明了该机器学习模型具有极高的预测准确性和可靠性。

主要发现 :

•热失控的触发与演化: 多物理场仿真结果表明，SEI膜的分解是导致电池内部热量积聚并最终触发热失控的关键机制。即使在有冷却系统的情况下，由内部缺陷引发的单个电池局部过热，其温度也会在短时间内急剧攀升，并对相邻电池构成热威胁。

•工况对热失控的影响: 无论是在恒定的高倍率充放电条件下，还是在模拟真实驾驶的动态电流负载下，由SEI退化引起的内部缺陷最终都会导致热失控的发生，验证了该退化机制的普遍性。

•机器学习预测的有效性: GNN-LSTM模型在对测试数据集（模型在训练中从未见过的数据）的预测中表现出色。其平均绝对误差（MAE）为0.072，均方根误差（RMSE）为0.187，这两个指标值都非常低，表明模型能够非常精确地预测未来一段时间内的温度变化，特别是热失控发生前的温度急升趋势。

作者的解读: 作者认为，这项研究成功地展示了一个集成了物理仿真和数据驱动方法的混合框架，能够有效预测电池模组的热失控。通过物理模型生成高保真数据，克服了真实世界中危险工况数据难以获取的难题。而GNN-LSTM模型的成功应用，证明了通过捕捉电池温度的时空动态特性，可以实现对热失效的可靠预测。这套方法论不仅适用于当前研究的电池类型，还具备扩展到其他电池设计和化学体系的潜力，为开发更安全的电动汽车电池管理系统提供了新的途径。

结论

核心结论: 本研究成功开发并验证了一个集多物理场建模与机器学习于一体的新型框架，能够有效预测圆柱形锂离子电池模组的热响应和热失控。研究表明，通过将捕捉空间依赖关系的GNN和处理时间序列的LSTM相结合，可以基于电池表面的温度传感器数据，高精度地预测未来的温度演变，从而在热失控发生前提供预警。该模型的有效性在恒流充放电和模拟驾驶循环两种工况下都得到了证实，其在测试数据集上取得了0.072的平均绝对误差和0.187的均方根误差，显示出强大的泛化能力和鲁棒性。

展望