Remodelant Les Limites De Performance Des Batteries Au Lithium, L'équipe De Kang Jianqiang De L'université De Technologie De Wuhan a Proposé Un Modèle Électrochimique Simplifié Basé Sur L'apprentissage D'ensemble

En juillet 2022, le dieu mâle sans âge Jimmy Lin a eu un accident de voiture. En tant que pilote de course professionnel, la Tesla Model X qu'il conduisait a soudainement dévié de la piste établie pendant la conduite et s'est écrasée contre la ceinture d'isolation sur le bord de la route. Le véhicule a ensuite pris feu et a repris feu pendant le remorquage du véhicule de secours. Finalement, la voiture entière a été brûlée, jusqu'au châssis. Une fois cet accident signalé, il a de nouveau suscité une grande attention de la part des gens concernant les « collisions et incendies de véhicules à énergie nouvelle ».

Il est entendu queLes batteries des voitures Tesla sont principalement des batteries lithium-ion.Il présente les avantages d'une densité énergétique élevée, d'une densité de puissance élevée, d'une longue période de cycle et d'un faible effet mémoire, et a été largement utilisé dans le domaine des véhicules électriques ces dernières années. Cependant, la puissance explosive des batteries au lithium est comparable à celle d’une petite bombe. Un emballement thermique incontrôlé de la batterie provoquera une explosion et un incendie. De plus, comme les ions lithium produisent des gaz favorisant la combustion, tels que l’oxygène, après avoir pris feu, cela entraînera une combustion secondaire ultérieure et une combustion répétée. Une fois qu’un incendie se déclare, il est difficile de l’éteindre. donc,Comment assurer le fonctionnement sûr des batteries au lithium est un problème difficile qui doit être résolu dans le domaine des véhicules électriques.

Le modèle de batterie électrochimique est basé sur le mécanisme chimique à l’intérieur de la batterie. Il peut modéliser efficacement le processus de migration des ions lithium et déterminer l'état critique de la batterie en prédisant des données telles que la tension. Cela garantit que le système embarqué surveille l'état interne de la batterie en temps réel, évite les emballements thermiques soudains causés par une surcharge et une décharge, le vieillissement, une résistance interne accrue, etc., et maintient un fonctionnement sûr de la batterie. Cependant, les modèles électrochimiques traditionnels comportent de nombreux paramètres et des calculs complexes, ce qui limite leur application généralisée dans les systèmes de gestion de batterie réels.

À cet égard,L'équipe de Kang Jianqiang de l'Université de technologie de Wuhan a proposé un modèle électrochimique simplifié d'apprentissage intégré + FIE.Le modèle d'apprentissage d'ensemble est basé sur l'apprentissage automatique et intègre l'algorithme de réalisation en temps discret (DRA), l'approximation de Pade d'ordre fractionnaire (FOM) et l'approximation parabolique à trois paramètres (TPM). En simplifiant le processus de migration des ions lithium dans les particules d’électrode, le changement de concentration en ions lithium à la surface des particules d’électrode peut être prédit avec précision.

Dans des conditions de courant constant et dynamiques,L'ELM proposé par les chercheurs peut permettre une prédiction de tension plus précise que les modèles DRA, FOM et TPM simples, et sa complexité de calcul est bien inférieure à celle du modèle quasi-bidimensionnel (Pseudo-2D, P2D).

De plus, les chercheurs ont également utilisé l'élément inertiel du premier ordre (FIE) pour simplifier la migration des ions lithium dans la solution d'électrode et prédire avec précision la concentration en ions lithium dans l'électrolyte à proximité des collecteurs de courant positif et négatif.

Points saillants de la recherche :

• Un modèle électrochimique simplifié d'apprentissage d'ensemble + FIE est proposé. L'apprentissage d'ensemble intègre DRA, FOM et TPM, et 3 500 s de décharge à courant constant de 1 C peuvent être effectuées en 0,1676 s.
• Fournir un support technique solide pour la réalisation du futur système intelligent de gestion de batterie (BMS)

Adresse du document :
https://www.cell.com/iscience/pdf/S2589-0042(24)00907-6.pdf

Trois hypothèses expérimentales pour simplifier la structure complexe des batteries

Afin d'accélérer le calcul des modèles électrochimiques et de simplifier la structure des modèles électrochimiques traditionnels, les chercheurs ont proposé un modèle électrochimique simplifié de batterie lithium-ion (modèle à particule unique) et ont émis des hypothèses de base à ce sujet.

Hypothèse 1 :L'électrode de la batterie est considérée comme une seule particule sphérique, et le potentiel électrique au même rayon du centre de la sphère est égal ;
Hypothèse 2 :La diffusion en phase solide est considérée uniquement dans la direction radiale ;
Hypothèse 3 :Le flux de paroi des pores des ions lithium (Ji) est uniforme dans les particules d'électrode.

Vcell est la tension aux bornes de la cellule ; Uocv est la tension en circuit ouvert ; η est la surtension ; Rohm est la résistance ohmique totale ; I est le courant ; ⍬ave est la stoechiométrie moyenne de la phase solide

Dans le modèle à particule unique, la tension aux bornes de la batterie est considérée comme étant uniquement liée à la tension en circuit ouvert et à la surtension de réaction, ce qui réduit considérablement la complexité de calcul du modèle.

Apprentissage intégré + FIE pour prédire la concentration en ions lithium dans les électrodes solides et les électrolytes

Les chercheurs ont proposé un modèle d’apprentissage intégré + FIE.Parmi eux, l'apprentissage intégré peut être utilisé pour prédire la concentration en ions lithium dans les particules solides des électrodes positives et négatives, et le FIE peut être utilisé pour prédire la concentration en ions lithium dans la phase électrolytique.

Apprentissage d'ensemble : intégration de trois modèles pour prédire plus précisément la concentration en ions lithium des électrodes en phase solide

Le modèle d'apprentissage d'ensemble (ELM), en tant que technique d'apprentissage automatique typique, peut obtenir de meilleures performances de prédiction que n'importe quel modèle unique en combinant plusieurs modèles.Dans la littérature précédente, l'algorithme de réalisation en temps discret (DRA), l'approximation Pade´ d'ordre fractionnaire (FOM) et l'approximation parabolique à trois paramètres (TPM) ont montré une certaine précision dans la prédiction de la concentration en ions lithium à la surface des particules d'électrode.

Afin d'améliorer encore la précision de prédiction de la concentration en ions lithium dans les particules d'électrodes, les chercheurs ont intégré DRA, FOM et TPM en utilisant la méthode de la moyenne pondérée et ont proposé le modèle ELM, dont l'équation de sortie est la suivante :

*Équation de sortie ELM ; k1, k2 sont les coefficients de pondération du modèle d'apprentissage d'ensemble

Expérience 1 : Prédiction de la concentration en ions lithium à la surface des particules de l'électrode négative en phase solide

En prenant le modèle P2D comme groupe témoin de base, les cinq modèles différents, DRA, FOM, TPM, ELM et P2D, ont été comparés pour prédire les changements de concentration en ions lithium à la surface des particules d'électrode négative.

On peut voir que la courbe ELM est plus proche de la courbe du modèle P2D.Autrement dit, ELM a obtenu la meilleure précision de prédiction.

La fonction de perte est définie comme l'erreur quadratique moyenne (RMSE) entre la sortie du modèle ELM et la vraie valeur de la surface des particules △cs,n~surf. On peut voir queL'ELM a le RMSE le plus bas, qui est seulement de 11,51 mol/m3.

Expérience 2 : Prédiction de la concentration en ions lithium à la surface des particules d'électrodes solides positives

En prenant le modèle P2D comme groupe témoin de base, les cinq modèles différents, DRA, FOM, TPM, ELM et P2D, ont été comparés pour prédire les changements de concentration en ions lithium à la surface des particules d'électrode positive.

On peut voir queLa courbe de l'ELM est plus proche de celle du modèle P2D.Il montre les meilleures performances de prédiction △cs,p~surf.

Comme on peut le voir dans le tableau ci-dessus,ELM a la plus petite erreur de prédictionLe RMSE n'est que de 0,6 mol/m3 et le MAPE n'est que de 1,66%.

FIE : Prédiction plus précise de la concentration en ions lithium dans la phase électrolytique

La concentration en ions lithium dans l'électrolyte à proximité des collecteurs de courant positif et négatif affecte directement la tension de la batterie, qui à son tour affecte l'état de la batterie. donc,Les chercheurs ont proposé la FIE pour s'adapter aux changements de concentration en ions lithium dans l'électrolyte à proximité des collecteurs de courant des électrodes positives et négatives.Le modèle P2D a été utilisé comme groupe témoin de base pour le comparer aux changements de concentrations d'ions lithium dans les phases électrolytiques d'électrodes positives et négatives prédites par FIE.

Expérience 1 : Prédiction de l'évolution de la concentration en ions lithium dans l'électrolyte à proximité du collecteur de courant de l'électrode négative

La figure ci-dessus montre que les deux courbes sont proches. Dans le modèle P2D, en raison du flux irrégulier d'ions lithium sur la surface des particules d'électrode le long de la direction de l'épaisseur de l'électrode, la courbe △ce,n fluctue après le temps de relaxation. Les chercheurs avaient précédemment supposé que le flux d’ions lithium à travers la surface des particules d’électrode était constant sous courant constant. Par conséquent, △ce,n reste constant après le temps de relaxation.

*Le temps de relaxation est une mesure de la capacité de récupération de la batterie, caractérisant la capacité de la batterie à passer d'un état polarisé à un état d'équilibre.

Expérience 2 : Prédiction de l'évolution de la concentration en ions lithium dans l'électrolyte à proximité du collecteur de courant de l'électrode positive

Comme le montre la figure ci-dessus, dans le modèle P2D, étant donné que le flux d'ions lithium à la surface des particules de l'électrode positive est plus inégalement réparti que le flux d'ions lithium à la surface des particules de l'électrode négative, l'amplitude de fluctuation de △ce,p est supérieure à celle de △ce,n. Comparé au modèle P2D, FIE permet une prédiction précise de △ce,p avec un RMSE de 39,136 mol/m3.

En résumé,L’apprentissage intégré proposé par les chercheurs permet de prédire avec précision la concentration en ions lithium des électrodes solides, avec une meilleure capacité de prédiction qu’un modèle unique. Le modèle FIE peut également prédire avec précision la concentration en ions lithium dans la phase électrolytique.

L'apprentissage d'ensemble prédit la tension avec plus de précision

Expérience 1 : Comparaison des prédictions de tension par différents modèles

Les chercheurs ont effectué des simulations de décharge à courant constant sur des batteries LiMn2O4/Carbone à des taux de 0,5C, 1C et 2C, et ont comparé les résultats et les erreurs de prédiction de tension à l'aide de cinq modèles : ELM, DRA, FOM, TPM et P2D.

Selon la figure ci-dessus, sous un taux de décharge de 0,5 C, les courbes de tension des modèles DRA, FOM, TPM et P2D sont très proches du modèle P2D. En dessous des taux de rejet de 1°C et 2°C,La courbe de tension ELM est plus proche de la courbe de tension P2D.

Comme le montre le tableau ci-dessus, le modèle ELM présente le RMSE et le MAPE les plus faibles et l’erreur de tension la plus faible. À mesure que le taux de décharge augmente, les erreurs de tension de ces quatre types augmentent. En résumé,L'ELM proposé permet une meilleure prédiction de tension sur une plage de courant plus large.

Expérience 2 : Comparaison de la complexité de calcul de différents modèles

Les chercheurs ont effectué des simulations de décharge avec un courant constant à un taux de 1C et ont comparé les temps de calcul de différents modèles. Étant donné que DRA et FOM n'ont que deux équations d'espace d'état du second ordre, la vitesse de calcul est plus rapide. Le FOM est légèrement plus lent, l'ELM n'a besoin que de 0,1676 s pour effectuer 3 500 s de décharge à courant constant de 1 C, et la vitesse de calcul du modèle P2D est beaucoup plus lente que celle des autres modèles.
Le test de décharge est un moyen important d’évaluer les performances de la batterie.

Expérience 3 : Vérification de l'efficacité du modèle ELM dans des conditions dynamiques

Pour vérifier l’efficacité du modèle ELM dans des conditions dynamiques, les chercheurs ont réalisé des simulations dynamiques FUDS sur différents modèles. Les résultats montrent que les courbes de tension de DRA, FOM, TPM et ELM sont proches du modèle P2D car le taux de variation du courant est faible la plupart du temps dans la dynamique FUDS.

Comme le montre le tableau ci-dessus,ELM réalise la prédiction de tension la plus précise parmi ces modèles.Il n'y a qu'un RMSE de 4,48 mV et un MAPE de 0,097%.

L'IA garantit la sécurité des batteries au lithium dans le cadre de la transformation verte

Dans le cadre de la tendance générale de « neutralité carbone et de pic carbone », les pays ont commencé à prêter attention à la transformation du système énergétique, et tous les secteurs de la société se sont activement transformés vers un développement à faible émission de carbone et durable. Les batteries au lithium, en tant que premier choix de batteries respectueuses de l'environnement, sont largement utilisées dans les systèmes de stockage d'énergie, les vélos électriques, les véhicules électriques, les équipements militaires, l'aérospatiale et d'autres domaines.

Bien que les batteries au lithium soient largement choisies en raison de leurs avantages tels qu'une densité énergétique élevée et une longue durée de vie, elles peuvent sérieusement menacer la vie et la sécurité du public si elles sont mal utilisées ou présentent des problèmes de qualité. Par exemple, en juin 2023, un incendie s’est déclaré dans un magasin de voitures électriques à Chinatown, à Manhattan, à New York, tuant quatre personnes et en blessant trois. La cause était une explosion thermique incontrôlable lors du chargement de batteries au lithium.Il est urgent de prêter attention à la sécurité des batteries au lithium.

De plus, la dégradation des performances des batteries au lithium est affectée par de nombreux facteurs tels que la température ambiante et les conditions de charge et de décharge. Les modèles physiques traditionnels sont basés sur des lois électrochimiques limitées et il est difficile d’évaluer efficacement l’état interne de la batterie. Dans ce contexte, la technologie de l’IA se distingue par ses puissantes capacités de traitement de données et d’extraction de caractéristiques.Certaines personnes en Chine ont déjà mené des recherches pertinentes sur la sécurité des batteries au lithium AI+.

En 2023, l'Université de Nanjing et le fabricant de batteries au lithium Durapower ont développé un système de gestion des incendies et des explosions (FXMS) qui contribue à améliorer la sécurité des batteries au lithium et à prolonger leur durée de vie. Le système utilise la technologie des jumeaux numériques pour reproduire de vraies batteries et surveiller les performances de la batterie à l'aide de modèles virtuels, qui peuvent prédire l'état de la batterie dans les cinq prochaines années.Il aide le personnel à déterminer quand les piles doivent être remplacées, avec une précision de prédiction allant jusqu'à 95%.

La fonction principale des jumeaux numériques est de collecter des données en temps réel du monde réel, d'utiliser l'apprentissage automatique et la technologie d'analyse pour traiter les données, simuler et prédire les réactions et les situations que les objets peuvent produire dans le monde réel, puis d'étudier leurs performances.

En mars 2024, l'équipe du professeur associé Wan Jiayu de la Puyuan School of Future Technology de l'Université Jiao Tong de Shanghai a proposé une technologie d'apprentissage semi-supervisé appelée co-formation bayésienne partielle (PBCT), qui exploite pleinement les données non étiquetées à faible coût et abondantes générées au cours du cycle de vie des batteries au lithium. En extrayant des informations cachées des données, la compréhension des modèles de données sous-jacents est approfondie. Par rapport aux méthodes existantes,Le PBCT a permis d’obtenir une amélioration allant jusqu’à 20% dans la précision de la prédiction de l’espérance de vie.Et il n’y a pratiquement aucun coût supplémentaire de collecte de données. (Cliquez ici pour plus de détails : La précision de la prédiction de la durée de vie des batteries au lithium améliorée par 20% ! L'équipe de l'Université Jiaotong de Shanghai a publié une méthode d'apprentissage semi-supervisé PBCT pour extraire des informations cachées à partir de données non étiquetées)

Des jumeaux numériques à l’apprentissage semi-supervisé, les avancées technologiques ont donné naissance à des solutions plus innovantes et ont apporté de nouvelles possibilités pour le développement futur du secteur de l’énergie.

Références :
https://www.zaobao.com/news/singapore/story20231108-1448759
https://m.163.com/dy/article/J3