验证速度提升25倍，准确率达95.1%，清华团队提出基于物理信息学习的电池衰减预测方法

基于物理信息学习的电池衰减预测新方法，大幅提升电池研发效率

全球对可再生能源的需求持续增长，电池储能技术的重要性日益凸显。然而，从电池原型研发到商业化生产面临诸多挑战，例如原型验证效率低、研发成本高、废料管理不善等。 传统电池容量校准方法耗时冗长，而电池制造差异和老化多样性更增加了性能评估的复杂性。

针对这些问题，清华大学深圳国际研究生院张璇、周光敏、李阳团队提出了一种基于物理信息学习的电池衰减轨迹早期预测方法。该方法通过计算热力学和动力学参数，并将其与未来状态变化关联，实现对电池全寿命衰减轨迹的早期精准预测。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

图 1：研究概念图

该方法仅需使用电池原型早期循环数据（50次循环，约占总寿命的4%），即可达到95.1%的全寿命平均预测准确率，原型验证速度提升至少25倍。

图 2：应用物理信息学习方法的动机、模型构建和部署

研究团队采用与电动汽车快速充电兼容的多步充电方案（0.33C至3C，共9个步骤），在不同温度（25℃、35℃、45℃、55℃）下进行测试，获取数据。

图 3：原始数据集信息及可视化

基于电化学原理，团队进行特征工程，区分大电流充电下的动力学过程和低电流充电下的热力学过程，分别描述材料不可逆衰减和电化学过程可逆衰减。

图 4：可解释特征工程

该物理信息学习模型包含三个步骤：可解释特征工程、早期数据推演后期电化学状态、以及基于推演状态进行衰减曲线预测。 实验采用多源域自适应设置，在35℃和45℃下进行预测，结果准确。

ListenLeap

AI辅助通过播客学英语

101

查看详情

图 5：物理信息学习模型的统计学性能

数值模拟和特征重要性分析验证了模型的电化学原理依据和预测准确性。

图 6：物理信息学习模型的电化学原理分析

此外，团队还分析了该模型在电池生产制造环节的应用，包括劣品检测和废料回收，结果表明该模型显著提升了废料管理的可持续性。

图 7：物理信息学习模型的技术经济性分析

这项研究成果已发表在《Energy & Environmental Science》期刊上，并被选为封面论文。 该研究得到了多家机构的科研经费支持。

论文链接：https://www.php.cn/link/64502272bd02ef05cfeb5ea9fcfc285b

以上就是验证速度提升25倍，准确率达95.1%，清华团队提出基于物理信息学习的电池衰减预测方法的详细内容，更多请关注php中文网其它相关文章！