DOI Link:
https://doi.org/10.1080/19942060.2024.2445160
Googlescholar:
https://scholar.google.com/citations?user=-nE7xMYAAAAJ&hl=en&oi=sra
https://scholar.google.com/citations?user=Pz1_XcQAAAAJ&hl=en&oi=ao
ScienceDirect:
https://www.scopus.com/authid/detail.uri?authorId=57191982300
https://www.scopus.com/authid/detail.uri?authorId=56008117600
UniversityWeb:
https://www.kcl.ac.uk/people/francesco-restuccia
https://www.polyu.edu.hk/beee/people/academic-staff/dr-huang-xinyan/
3. 收录日期
1. 科学问题
利用AI模型准确预测电池热失控时间、温度场变化和关键安全事件，并提高模型的泛化能力以应对不同电池类型和操作条件下的挑战
2. 实验与模型方法
使用先进的仿真工具生成综合数据集，以支持深度学习模型的开发和应用。
采用火灾动力学模拟器（Fire Dynamics Simulator, FDS）进行热失控场景的模拟。
固定几何（4×3）设计，模拟不同阴极化学性质、环境温度和热释放速率（HRRs）。
数据集为深度学习模型的构建奠定基础。
2.2 仿真数据生成（Fig.1）
模拟电池热失控场景，涵盖多种阴极化学成分和环境条件。
捕获热释放速率（HRRs）变化，为后续建模提供多样化数据。
深度学习模型训练
输入变量：包含电池化学性质、环境温度和HRRs。
2.3 模型任务：
模型1：预测电池失效时间。
模型2：预测电池组的温度分布。
目标：模型需具备在不同条件下的泛化能力，以增强其实际应用性。
Fig. 1. Framework of training AI model for predicting thermal runaway propagation in battery packs.
2.4 CFD仿真模型设置（Fig.2(a)）
1. 几何和边界条件
电池组由12个18650型电池构成，紧密排列，无间隙接触。
仿真域为0.2 × 0.2 × 1.0 m³，顶部和侧面为开放边界，底部为无滑移墙面。
网格分辨率为2 mm，以确保计算精度。
2. 热失控触发机制
使用内部热生成触发热失控传播，设置初始触发电池温度为180°C。
通过单步热解模型模拟电池材料分解及火焰形成过程，模型参数基于实验数据拟合得到。
3. 温度监测与数据记录
每个电池垂直方向布置8个温度传感器，实时记录温度分布变化。
热失控传播由电池间热传递及外部火焰强度驱动，模拟复杂的热交换与化学反应。
4. 仿真场景与参数（Fig.2(b–d)）
(1) 环境条件
环境温度设为20°C至50°C，以反映不同现实操作条件对热失控传播的影响。
电池荷电状态（SoC）固定为100%，以研究完全充电状态下的风险。
(2) 热释放速率（HRRs）
包含最小值、平均值和最大值三种HRR参数，覆盖不同火灾动力学情境。
平均值由实验测量数据计算而得。
(3) 电池材料
使用NMC和LFP阴极材料，分析其不同化学特性对热失控传播的影响。
5. 实际应用
(1) 数值数据库构建
生成36个热失控仿真场景的数据库，为AI模型训练提供基础数据。
(2) 火焰与传热模拟
使用LES湍流求解器结合单步燃烧模型，捕捉热失控过程中的喷射火焰与燃烧热。
模拟时间统一设为40秒，以确保完整捕获电池火灾传播过程。
Fig. 2. (a) Simulation geometry including the dimensions and boundaries, the minimum, mean, and maximum HRR of (b) LCO, (c) LFP, (d) NMC cell.
2.5. CFD模型验证 简要分析
热失控模拟：通过变化正极材料和HRR，在不同环境温度下观察LCO电池组的热失控过程。模拟结果展示了热失控的演化（Fig3(a-b)）。
传播过程：热失控由第二个电池引发，依次传播，模拟结果与实验数据在第一到第三排传播速度一致。
差异分析：模拟与实验在第三到第四排传播速度上有所不同，原因包括实验中的预热和封闭空间对热辐射的影响。
模拟有效性：尽管存在差异，模拟准确再现了热失控的关键特性，并为AI模型训练提供了有用的数据。
Fig. 3. Thermal runaway of the LCO battery pack with the maximum HRRs under the ambient temperature condition of 20 °C: (a) Flame behaviour; (b) Temperature field; Row-to-row thermal runaway propagation speeds for (c) LCO cell, (d) NMC cell.
2.6 数据提取与数据库构建
1. 数据提取
(1) 温度数据采集
每0.1秒提取各仿真场景中电池表面温度，记录其垂直方向的动态演化特性。
数据总计包含172,800个温度数据点及432次电池失效时间记录。
每个场景记录4800个温度数据点和12次电池失效时间（Fig.4(a)）。
(2) 数据表征
各电池表面温度在垂直方向求平均值，代表电池整体温度。
不同时刻的电池组瞬态温度分布汇总为矩阵，反映电极材料、环境温度及HRR对热失控传播的影响。
2. 数据预处理与AI模型输入
(1) 数据矩阵构建
每一组输入参数（电极材料、环境温度和HRR）对应一个瞬态温度分布矩阵和电池热失控时间。
数据库优化后作为AI模型的输入，支持预测电池热失控时间和瞬态温度场演化。
(2) 数据集划分
数据集分为训练集（90%）和验证/测试集（10%），确保模型训练与性能评估的独立性。
3. 实际应用
AI模型训练
ANN模型：预测电池热失控时间（Fig.4(b)）。
CNN模型：预测电池组瞬态温度场（Fig.4(c)）。
通过分割的数据集验证模型泛化能力及在实际场景中的可靠性。
Fig. 4. (a) Dataset pre-processing and division for training, validation, and test, (b) ANN model for battery thermal runaway time prediction, (c) CNN model for temperature field prediction.
2.6 ANN模型设计与训练
1. ANN模型
(1) 结构与输入输出
模型输入：电极类型、环境温度及HRR水平（Fig.4(b)）。
输出：预测的电池热失控时间（11个电池的时间参数）。
(2) 设计参数与优化
隐藏层：2层，每层10个神经元。
激活函数：ReLU引入非线性。
优化器：Adam，学习率为0.001。
训练集和验证集划分：90%用于训练，10%用于验证。
(3) 特性
通过回归分析建立输入参数与热失控时间之间的复杂关系。
2. CNN模型设计与训练
(1) 结构与输入输出
模型输入：电极类型、环境温度、HRR水平及时间（Fig.4(c)）。
输出：4×3网格表示的电池平均温度分布。
(2) 设计参数与优化
卷积层：3层，卷积核3×3，步长为1，采用ReLU激活函数。
优化器：Adam，学习率为0.01，批量大小为36。
数据划分：90%用于训练，10%用于验证。
(3) 特性
通过卷积操作捕捉温度场的空间依赖关系，预测电池热失控过程中的瞬态温度分布。
3. 研究结果
3.1. 模型训练
1. 模型训练与评估分析
模型训练与性能评估：模型训练后的性能评估展示于Fig. 5。
2. 收敛性与预测能力
模型收敛性：经过100步迭代后，AI模型展示了收敛性，最小均方误差（MSE）为0.014和39.346，最大R²系数为0.927和0.999。
表明深度学习模型能够精准预测电池包的热失控时间和瞬态温度场，尤其在训练数据集的范围内。
3. 学习曲线与模型适配性
学习曲线稳定性：ANN和CNN模型的学习曲线（Fig. 5）
表明模型在训练过程中具有稳定的收敛性，说明所选的超参数和网络架构非常适合该应用。
Fig. 5. MSE (blue) and R2 (red) of training (dashed) and validation (solid) during the training process: (a) AI model for battery thermal runaway time prediction, (b) AI model for temperature field prediction.
3.2 电池热失控时间预测分析 Fig. 6
1. 应用于新型电池火灾场景：
训练后的AI模型应用于两个新的电池火灾场景，验证其有效性。
场景包括：35°C环境下LCO电池组最大HRR，55°C环境下NMC电池组平均HRR。
这些场景分别位于数据库范围内（35°C）和超出数据库范围（55°C）。
2. 模型表现与预测精度
(1) LCO电池组预测精度（35°C）：
预测与FDS模拟结果接近，MSE为2.28 ，MAE为1.38，R²为0.97。
表明模型在此场景下的预测准确性非常高。
(2) NMC电池组预测精度（55°C）：
预测精度较低，MSE为29.27 ，MAE为4.53，R²为0.75。
预测提前于实际热失控时间，反映出模型对超出训练数据范围场景的适应性较差。
3. 模型局限性与适应性
(1) 超出数据库范围的预测误差：
NMC电池组的较高误差可归因于该场景超出了数据库的范围。
这表明模型在处理不在训练数据中的情况时，存在一定的预测误差。
4. 模型的普适性与推广潜力
模型的泛化能力：
在数据库范围内，模型相对误差低于10%。
在超出数据库范围的场景中，模型相对误差低于30%。
表明模型具备一定的泛化能力，能够外推到未覆盖的场景。
3.3 电池温度场预测分析
1. 温度场的预测挑战与需求：
理解热失控过程中的温度分布变化，能帮助工程师和研究人员做出更明智的决策，设计更高效可靠的系统。
尽管可以通过电池的操作条件预测单个电池的失效时间，获取整个过程中的温度变化仍然是一个挑战。
为此，训练了一个新的AI模型，旨在预测热失控过程中的温度场。
2. 模型预测与模拟对比
(1) LCO电池组温度场预测（35°C）：
Fig. 7(a)：LCO电池组（最大HRR，35°C环境温度）模拟与AI预测的温度场进行了比较。
预测结果与模拟结果高度吻合，MAE小于4.89°C，R²为0.999，进一步证明了AI模型的高精度。
(2) NMC电池组温度场预测（55°C）：
Fig. 7(b)：55°C环境温度下的NMC电池组（中等HRR）预测与模拟结果相比，MAE为9.15°C，R²为0.998。
预测结果与模拟结果之间存在一定误差，但考虑到实际电池火灾场景中的温度变化，这种误差在可接受范围内。
Fig. 7. Overall performance of AI model in predicting temperature field compared with simulation results: (a) LCO battery pack, (b) NMC battery pack (Ambient temperature: 35 °C and 55 °C).
3. 瞬态预测结果与误差分析
(1) 瞬态预测结果：
Fig. 8(a)和Fig. 8(b)：分别展示了LCO电池组和NMC电池组在10s、20s和30s时的瞬态预测结果。
对比模拟结果，LCO电池组的预测表现更为精确，而NMC电池组则有一定误差，反映了不同电池类型的预测难度。
4. 模型的可靠性与应用前景
(1) AI模型的鲁棒性：
误差直方图进一步证明了AI模型的表现，绝大多数误差集中在较小范围内，展现了方法的稳健性。
总体而言，AI模型在预测热失控过程中电池组的温度场时表现一致，为后续在实际热失控场景中的温度预测奠定了基础。
Fig. 8. Comparison between the simulated and AI predicted temperature fields (top view schematic of the cell packs) of (a) LCO battery pack, (b) NMC battery pack at 10 s, 20 s, and 30 s (Ambient temperature: 35 °C and 55 °C).
3.4 电池热管理与安全管理中的应用分析
1. AI在电池管理中的潜力：
随着对高效安全电池管理系统需求的增加，AI的整合具有巨大的潜力，能够提升电池管理能力。
AI在预测电池健康、安全、热失控以及火灾和爆炸风险等关键时刻方面具有重要意义。
2. 传统方法与AI方法的对比
(1)传统热模型的局限性：
传统方法主要依赖预设的热模型和简化假设，往往缺乏足够的精确度，难以捕捉电池内部热现象的复杂动态。
相比之下，AI方法利用大量涵盖多种操作条件和使用场景的数据集，能够识别系统中复杂的模式和潜在缺陷。
(2)AI在电池健康预测中的优势：
通过使用大量历史数据，AI模型可以在训练完成并获得实时数据后，准确预测电池包中单个电池的关键健康指标和安全事件。
这种能力使得能够采取主动措施，防止灾难性事件的发生。
3. AI在电池热失控预测中的应用
(1)温度分布预测：
AI能预测单个电池及电池包的温度分布，进一步预测电池火灾的关键事件，如SEI膜分解、电解液溶剂蒸发、安全阀破裂、热失控、起火和火焰蔓延等。
例如，Feng等（Citation2014, Citation2018）将热失控过程分为六个阶段，并确定了三个关键温度。
(2)关键温度阈值的应用：
通过了解电池温度达到关键阈值的时刻，可以触发自动冷却机制或激活紧急停机程序，防止进一步恶化。
Table 3总结了锂离子电池的安全关键温度，特别是在约120°C时安全阀破裂（即排气温度）。
4. AI模型预测关键事件
(1)LCO与NMC电池包的预测对比：
Fig. 9：深度学习模型预测的关键事件与FDS模拟结果进行了比较。
对于LCO电池包：预测和模拟结果高度一致，MSE最大为0.06 s²，MAE最大为0.19s。
对于NMC电池包：预测精度较低，最大MSE为1.52 s²，MAE为0.86s，表明模型在超出数据库范围时的准确性有所下降。
(2)预测精度与数据库范围的关系：
预测始终提前于模拟的关键事件发生时间，且由于预测基于温度场和关键温度，这种误差在NMC电池包场景中显著。
这一现象反映了在数据库之外的场景中，AI模型外推热失控时间的难度。
5. 提高预测准确性的前景
数据集多样性与准确性：
尽管这些预测为预防电池热失控提供了初步的途径，但提升预测准确性至关重要。
通过增加数据集的多样性和数量，能够更全面地理解电池热行为，进一步提高模型的预测能力。
Fig. 9. Comparison of safety valve cracks time from FDS simulation and AI prediction of (a) LCO battery pack, (b) NMC battery pack.
4. 重要结论
1. AI在电池管理中的应用潜力：
AI能够基于大量历史数据，准确预测电池健康、安全、热失控等关键事件，提供主动预警并防止灾难性后果。
2. AI模型与传统方法的对比：
与传统热模型相比，AI通过利用复杂的数据集，能捕捉电池热现象的动态变化，具有更高的预测精度和灵活性。
3. 温度场预测与关键事件预测：
AI模型在预测电池组的温度场和关键热失控事件（如SEI膜分解、排气、热失控等）方面表现出色，尤其在LCO电池包的预测中具有高精度。
4. NMC电池包预测的局限性：
对于超出训练数据范围的NMC电池包，AI模型在预测精度上存在一定误差，主要表现为预测结果提前于实际事件，并且误差较大。
5. 提高预测准确性的方向：
为了提升预测的准确性，需扩展数据集的多样性与数量，从而更全面地理解电池热行为，提高模型的泛化能力。
PDF
