リチウム電池の性能限界を再構築するために、武漢理工大学のKang Jianqiang氏のチームは、統合学習に基づいた簡素化された電気化学モデルを提案した。

2022年7月、不滅の神、林志英さんはプロのレーシングドライバーとして自動車事故に遭い、救援車の牽引中にテスラモデルAで2度火災が発生し、最終的には車両全体が燃えてフレームだけが残った。この事故が報道されると、再び「新エネルギー車の衝突と火災」に対する人々の大きな懸念を引き起こした。

理解されているのは、テスラ車のバッテリーのほとんどはリチウムイオン電池を使用しています。高エネルギー密度、高出力密度、長いサイクル期間、メモリ効果が小さいなどの利点があり、近年電気自動車の分野で広く使用されています。しかし、リチウム電池の爆発力は小さな爆発物のようなもので、制御されない電池の熱暴走は爆発や火災を引き起こし、発火後にリチウムイオンが酸素などの助燃性ガスを発生するため、二次燃焼を繰り返します。一度火災が発生すると消すのは困難です。したがって、リチウム電池の安全な動作をどのように確保するかは、電気自動車の分野で解決しなければならない難しい問題です。

電気化学電池モデルは電池内部の化学機構に基づいており、リチウムイオンの移動プロセスを効果的にモデル化し、電圧やその他のデータを予測することで電池の臨界状態を予測し、組み込みシステムが内部状態を監視できるようにします。バッテリーの過充電、放電、経年劣化、内部抵抗の増加などによる突然の熱暴走をリアルタイムで回避し、バッテリーの安全な動作を維持します。ただし、従来の電気化学モデルには多数のパラメーターと複雑な計算があり、実際のバッテリー管理システムでの幅広い応用が制限されています。

この点について、武漢理工大学のKang Jianqiang氏のチームは、統合学習+FIEの簡略化された電気化学モデルモデルを提案した。統合学習モデルは機械学習に基づいており、離散時間実現アルゴリズム (DRA)、分数次数パデ近似 (FOM)、および 3 パラメーター放物線近似 (TPM) を統合し、リチウム イオンの移動プロセスを簡素化します。電極粒子を用いることで、電極粒子表面のリチウムイオン濃度の変化を正確に予測することができます。

定電流および動的条件下では、研究者らが提案したELMは、単一のDRA、FOM、TPMモデルよりも正確な電圧予測を実現し、その計算量も擬似2次元モデル（擬似2D、P2D）よりもはるかに低い。

さらに研究者らは、一次慣性要素（FIE）を使用して電極溶液中のリチウムイオンの移動を簡素化し、正極および負極集電体近くの電解質中のリチウムイオン濃度を正確に予測しました。

研究のハイライト:

• 統合学習 + FIE の単純化された電気化学モデルが提案されており、統合学習は DRA、FOM、TPM を統合し、3,500 秒の 1C 定電流放電を 0.1676 秒で完了できます。
• 将来のインテリジェントバッテリーマネジメントシステム（BMS）実現に向けた強力な技術サポートを提供

用紙のアドレス:
https://www.cell.com/iscience/pdf/S2589-0042(24)00907-6.pdf

複雑な電池構造を単純化するための 3 つの主要な実験仮定

電気化学モデルの計算を高速化し、従来の電気化学モデルの構造を簡素化するために、研究者らは簡素化されたリチウムイオン電池電気化学モデル (単一粒子モデル) を提案し、それに関する基本的な仮定を立てました。

仮定 1:電池の電極を単一の球状粒子として扱うと、球の中心から同じ半径の電位は同じになります。
仮定 2:固相拡散では半径方向のみが考慮されます。
仮定 3:リチウムイオン細孔壁フラックス (Ji) は電極粒子内で均一です。

Vcell はバッテリー端子電圧、eta は過電圧、Iave は平均固相化学量論です。

単粒子モデルでは、電池端子電圧は開回路電圧と反応過電圧のみに関係すると考えられるため、モデルの計算量が大幅に削減されます。

統合学習 + FIE による固相電極および電解質中のリチウムイオン濃度の予測

研究者らは統合学習 + FIE モデルを提案しました。このうち、アンサンブル学習は正負極の固体粒子（粒子）中のリチウムイオン濃度を予測することができ、FIEは電解質相中のリチウムイオン濃度を予測することができる。

統合学習: 3 つの主要なモデルを統合して、固相電極のリチウムイオン濃度をより正確に予測します

アンサンブル学習モデル (ELM) は、代表的な機械学習テクノロジーであり、複数のモデルを組み合わせることで、単一のモデルよりも優れた予測パフォーマンスを実現できます。以前の文献では、離散時間実現アルゴリズム (DRA)、分数次数パデ近似 (FOM)、および 3 パラメーター放物線近似 (TPM) が予測に使用されており、リチウムイオン濃度に関して一定の精度が示されています。電極粒子の表面。

電極粒子内のリチウムイオン濃度の予測精度をさらに向上させるために、研究者らは加重平均法を使用してDRA、FOM、TPMを統合し、出力方程式が次のようなELMモデルを提案しました。

※ELMの出力式、k1、k2は統合学習モデルの重み係数です。

実験1：負極固体電極粒子表面のリチウムイオン濃度の予測

P2D モデルをベンチマーク コントロール グループとして使用し、5 つの異なるモデル (DRA、FOM、TPM、ELM、および P2D) による負極粒子表面のリチウム イオン濃度変化の予測を比較します。

ELM 曲線が P2D モデル曲線に近づいていることがわかります。つまり、ELM は最高の予測精度を実現します。

損失関数は、ELM モデルの出力と粒子表面の真の値 Δcs,n_surf の間の二乗平均平方根誤差 (RMSE) として定義されます。ことがわかりますELM の RMSE は最も低く、わずか 11.51 mol/m3 です。

実験2：正極固体電極粒子表面のリチウムイオン濃度の予測

P2D モデルをベンチマーク コントロール グループとして使用し、DRA、FOM、TPM、ELM、および P2D の 5 つの異なるモデルを比較して、正極粒子表面のリチウム イオン濃度の変化を予測します。

ことがわかりますELM の曲線は P2D モデルの曲線に近くなります。最高の△cs,p~surf予測性能を発揮します。

上の表からわかるように、ELM は予測誤差が最小です、RMSE はわずか 0.6 mol/m3、MAPE はわずか 1.66% です。

FIE: 電解質相のリチウムイオン濃度のより正確な予測

正極と負極の集電体近くの電解液中のリチウムイオン濃度は、バッテリーの電圧、ひいてはバッテリーの状態に直接影響を与えるためです。したがって、研究者らは、正極と負極の集電体近くの電解液中のリチウムイオン濃度の変化を当てはめるために FIE を提案しました。P2D モデルは、正および負の電解液相における FIE によって予測されるリチウム イオン濃度の変化と比較するためのベンチマーク コントロール グループとして使用されました。

実験1：負極集電体近傍の電解液中のリチウムイオン濃度の変化を予測する

上図は、P2D モデルでは電極粒子表面のリチウムイオンの流れが電極厚み方向に不均一であるため、緩和時間後に△ce,n 曲線が変動していることを示しています。研究者らは以前、定電流下では電極粒子表面のリチウムイオン束は一定であると仮定していた。したがって、Δce,n は緩和時間後も一定のままです。

*緩和時間はバッテリーの回復能力の尺度であり、分極状態から平衡状態に戻るバッテリーの能力を特徴づけます。

実験2：正極集電体近傍の電解液中のリチウムイオン濃度の変化を予測する

上図に示すように、P2Dモデルでは、正極粒子表面のリチウムイオン束が負極粒子表面のリチウムイオン束に比べて偏在しているため、Δceの変動振幅は、 p は △ce,n の変動振幅より大きい。 P2D モデルと比較して、FIE は 39.136 mol/m3 の RMSE で正確な ce,p 予測を達成しました。

総括する、研究者らが提案したアンサンブル学習は固相電極のリチウムイオン濃度を正確に予測でき、その予測能力は単一モデルよりも優れている。 FIE モデルは、電解質相のリチウムイオン濃度の正確な予測も提供します。

アンサンブル学習により電圧をより正確に予測

実験 1: さまざまなモデルの予測電圧の比較

研究者らは、LiMn2O4/カーボン電池で0.5C、1C、2Cレートでの定電流放電シミュレーションを実施し、ELMと5つのモデル(DRA、FOM、TPM、P2D)による電圧予測の結果と誤差を比較した。

上の図によると、0.5C の放電率では、DRA、FOM、TPM、および P2D モデルの電圧曲線は、1C および 2C の放電率での P2D モデルに非常に近くなっています。ELM の電圧曲線は P2D の電圧曲線に近くなります。

上の表に示されているように、ELM モデルは RMSE と MAPE が最も小さく、電圧誤差も最も低くなります。放電率が増加すると、これら 4 種類の電圧誤差はすべて増加します。要約すると、それは次のことを示しています提案された ELM は、より広い電流範囲にわたってより優れた電圧予測を実現します。

実験 2: さまざまなモデルの計算量の比較

研究者らは、1Cの定電流レートで放電シミュレーションを実行し、異なるモデルの計算時間を比較しました。 DRA と FOM はどちらも 2 次の状態空間方程式しか持たないため、計算速度が速くなります。 FOM はわずかに遅く、ELM は 3,500 秒の 1C 定電流放電を完了するのにわずか 0.1676 秒しかかかりません。また、P2D モデルの計算速度は他のモデルよりもはるかに遅いです。
放電試験はバッテリーの性能を評価する重要な手段です。

実験 3: 動的な動作条件下での ELM モデルの有効性を検証する

動的動作条件下での ELM モデルの有効性を検証するために、研究者らはさまざまなモデルで FUDS 動的シミュレーションを実施しました。結果は、FUDS ダイナミクスではほとんどの時間で電流変化率が小さいため、DRA、FOM、TPM、ELM の電圧曲線がすべて P2D モデルに近いことを示しています。

上の表に示すように、ELM は、これらのモデルの中で最も正確な電圧予測を実現します。RMSE は 4.48 mV、MAPE は 0.097% のみです。

AI保証、グリーン変革下のリチウム電池の安全性

「カーボンニュートラルとカーボンピーク」という一般的な傾向の下、各国はエネルギーシステムの改革に注目し始めており、あらゆる階層が環境に優しい第一の選択肢として、低炭素で持続可能な開発に向けて積極的に変革を進めています。電池、リチウム電池は、エネルギー貯蔵システム、電動自転車、電気自動車、軍事機器、航空宇宙などの分野で広く使用されています。

リチウム電池はエネルギー密度が高く寿命が長いため広く選ばれていますが、不適切に使用されたり、品質に問題がある場合、公共の生活と安全を深刻に脅かす可能性があります。例えば、2023年6月にニューヨーク市マンハッタンのチャイナタウンにある電気自動車店で火災が発生し、4人が死亡、3人が負傷した。原因は充電中のリチウム電池の熱暴走爆発だった。リチウム電池の安全性には早急に注意を払う必要があります。

さらに、リチウム電池の性能劣化は周囲温度や充放電条件などのさまざまな要因に影響されます。従来の物理モデルは限られた電気化学法則に基づいており、電池の内部状態を効果的に評価することが困難でした。この文脈において、AI テクノロジーは、その強力なデータ処理、特徴抽出、その他の機能で際立っています。中国の一部の人々はすでに、AI+ リチウム電池の安全性に関する関連研究を行っています。

2023 年、南京大学とリチウム電池メーカー Durapower は、リチウム電池の安全性を高め、耐用年数を延ばすのに役立つ火災・爆発管理システム (FXMS) を開発しました。このシステムは、デジタル ツイン テクノロジーを使用して実際のバッテリーを複製し、仮想モデルを使用してバッテリーのパフォーマンスを監視し、今後 5 年間のバッテリーの状態を予測します。バッテリーの交換時期をスタッフが判断できるよう支援し、その予測精度は 95% と非常に高いです。

デジタルツインの主な機能は、現実世界のリアルタイムデータを収集し、データ処理に機械学習と分析テクノロジーを使用し、現実世界のオブジェクトの起こり得る反応や状況をシミュレートおよび予測し、そのパフォーマンスを研究することです。

2024年3月、上海交通大学濮源未来技術学院のワン・ジアユ准教授のチームは、リチウム電池の全能力を最大限に活用する部分ベイジアン共訓練（PBCT）と呼ばれる半教師あり学習技術を提案した。ライフサイクル中に生成される低コストで豊富なラベルなしデータは、既存の方法と比較して隠れた情報を抽出し、基礎となるデータ パターンの理解を深めます。PBCTは最大20%の寿命予測精度の向上を実現しました。追加のデータ収集コストはほとんどかかりません。 (クリックして詳細を表示: リチウム電池寿命予測精度が向上した 20%! 上海交通大学チームがラベルなしデータの隠された情報を抽出する半教師あり学習手法 PBCT を発表)

デジタルツインから半教師あり学習に至るまで、技術の進歩はより革新的なソリューションを生み出し、エネルギー分野の将来の発展に新たな可能性をもたらしました。

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