Исследователи представили метод оценки состояния литий-ионных аккумуляторов на основе физически-информированных нейронных сетей (PINN) и обучения с переносом (transfer learning). Подход использует одночастичную модель с электролитом для прогнозирования параметров батареи, обеспечивая соблюдение физических законов сохранения непосредственно в функции потерь. Это позволяет достичь высокой точности моделирования при меньших вычислительных затратах по сравнению с традиционными методами численного анализа.
Традиционные численные подходы, такие как метод конечных элементов или конечных объемов, требуют значительных вычислительных мощностей для решения сложных нелинейных дифференциальных уравнений в частных производных. Внедрение PINN позволяет интегрировать фундаментальные электрохимические принципы в архитектуру нейросети, что делает модель более устойчивой к шумам в данных и позволяет экстраполировать результаты на режимы работы, не представленные в обучающей выборке.
Использование обучения с переносом дополнительно ускоряет адаптацию модели к различным типам химического состава аккумуляторов и условиям эксплуатации. Метод эффективно решает задачу оценки внутреннего состояния батареи, включая концентрацию лития и потенциал электролита, что критически важно для систем управления питанием в электромобилях и накопителях энергии.
Ключевые факты
- Метод объединяет физически-информированные нейронные сети (PINN) с обучением с переносом для моделирования электрохимических процессов.
- В качестве основы используется одночастичная модель (Single Particle Model) с учетом динамики электролита.
- Архитектура принудительно включает законы сохранения в функцию потерь для обеспечения физической корректности предсказаний.
- Решение превосходит традиционные численные методы в задачах оценки состояния (state estimation) при ограниченных вычислительных ресурсах.