AI 预测电池组热失控与火灾蔓延

文摘   科学   2025-01-06 07:30   马来西亚  
王自龙 黄鑫炎
香港理工大学 建筑环境及能源工程学系
随着锂离子电池被广泛应用于手机、电动车和储能系统中,我们的生活变得更加便利,但也带来了一个不容忽视的隐患——热失控[1]。这是电池内部温度异常升高引发的一系列连锁反应,可能导致火灾甚至爆炸。如何预测和防止热失控成为科学家们努力攻克的难题。
01

热失控是什么?为什么会危险?

简单来说,热失控就像电池的“连锁反应”: 
  • 当电池因过充、短路或高温受到刺激时,内部化学反应会变得不稳定。
  • 温度升高后,电池释放出更多热量,像“雪球效应”一样加速升温。
  • 最后,这可能导致电池起火甚至爆炸,危害人身和财产安全。
图1:电动车热失控事故
在电池热失控的过程中,火焰行为是最难模拟的部分之一。热失控不仅涉及电池内部的温度升高,还会引发火焰的传播和扩散 [2]。由于电池内部和周围环境的复杂相互作用,火焰的传播模式难以准确预测。例如,电池的不同构造、外部温度、火焰与电池表面接触的方式等因素都会影响火焰蔓延的速度和路径,这使得在多变条件下进行精确模拟变得极具挑战。
此外,实时预测电池热失控的行为也是一个巨大的难题。传统的模拟方法通常依赖大量的计算和时间,往往不能在事故发生之前提供足够快速的反馈。这意味着在实际应用中,预测系统可能无法在电池发生热失控的初期及时做出反应,从而错失干预的最佳时机。
那么,有没有方法能够快速响应并准确预测火焰行为,进而实现对热失控过程的实时监控和预警呢?
02

AI助力电池热失控的快速预测

为了防止电池热失控,我们需要回答两个关键问题:

1. 热失控会什么时候开始?

2. 火焰会怎么传播?

传统方法往往耗时耗力,而且很难准确预测。为此,香港理工大学团队开发了一个结合数值模拟和AI的新方法,像“给电池装上大脑”,让它能预测危险

第一步:用数值模拟了解电池热失控行为

我们通过数值模拟工具FDS重建了电池在不同条件下的热失控行为[3],比如不同类型的电池、不同的环境温度和不同的热释放速率等。在这项研究中,我们使用FDS构建了由18650圆柱形电池构成的4×3的电池包。通过激活第二节电池内部的热生成来触发热失控的初始发生,模拟电池内短路温度的快速升高。一旦相邻电池温度达到180°C的阈值,即触发临近电池的放热效应,进而触发相邻电池的热失控使得火势蔓延。这种模拟不仅考虑了电池之间的热量传递,还模拟了火焰的外部影响,确保热失控的传播过程能够真实再现。

图2:FDS电池热失控行为模拟
此外,为了适应不同类型的电池及不同工况,研究中选择了三种常见的电池材料——钴酸锂(LCO),镍钴钴锰酸锂(NMC)和磷酸铁锂(LFP)以及不同的环境温度。通过这种综合设置,我们共进行了36组模拟实验,并用实际实验验证了结果的准确性。

第二步:AI预测热失控和火焰传播

接着,我们用AI模型分析这些数据,训练它识别热失控发生的规律,并预测温度分布和火焰传播路径。AI就像“预测大师”,不仅能准确告诉我们热失控会什么时候发生,还能模拟火焰会往哪儿烧。为了实现这一目标,我们使用了两种不同的人工智能方法:人工神经网络(ANN)和卷积神经网络(CNN)。

图3:预测电池热失控和火焰传播的AI模型架构

首先,人工神经网络(ANN)被用来预测热失控的发生时间。通过学习大量的电池热失控数据,ANN能够识别出电池在不同条件下热失控的潜在模式,帮助我们准确地预测热失控何时会发生。这种方法具有极高的准确性,对于数据库内的场景,预测误差可以控制在10%以内,而对于未见过的新情况,误差仍然保持在30%以下

图4:AI预测电池组内部不同位置温度变化

此外,卷积神经网络(CNN)则用于预测热失控时电池组的温度分布和关键事件。CNN能够处理复杂的空间信息,模拟电池组内部不同位置的温度变化,帮助我们准确了解热失控过程中温度是如何在电池组内传播的。模型的表现非常出色,预测的温度分布与实际情况高度吻合,R²值超过0.99,最大均方误差(MSE)为1.52 s²。这两种AI技术的结合,使得我们能够更好地预测和防范电池热失控的风险,确保电池管理系统的安全性和可靠性。


03

小结

通过结合AI和数值模拟,我们为解决电池热失控问题提供了一条全新的路径。这不仅是科技的突破,也为我们带来了更安全、更智能的电池技术。未来,我们的设备将变得更加可靠,而这种技术可能会成为背后默默守护我们的“安全卫士”。

上述研究由理大火灾安全实验室与伦敦国王学院合作完成,受香港主题研究计划及SFPE学生研究项目资助,发表于计算流体力学核心刊物《Engineering Applications of Computational Fluid Mechanics》[3],OA开放获取。理大火灾安全实验室将持续推进这项工作。

    长按识别二维码阅读原文


    相关链接文献

    [1] X. Feng, M. Ouyang, X. Liu, L. Lu, Y. Xia, X. He, Thermal runaway mechanism of lithium ion battery for electric vehicles: A review, Energy Storage Mater. 10 (2018) 246–267.

    [2] H. Niu, C. Chen, Y. Liu, L. Li, Z. Li, D. Ji, X. Huang (2022) Mitigating Thermal Runaway Propagation of NCM 811 Prismatic Batteries via Hollow Glass Microspheres Plates, Process Safety and Environmental Protection, 162, 672-683.

    [3] Z. Wang, H. Sadeghi, X. Huang, F. Restuccia, Thermal runaway and flame propagation in battery packs: numerical simulation and deep learning prediction, Eng. Appl. Comput. Fluid Mech. 19 (2025) 2445160. https://doi.org/10.1080/19942060.2024.2445160.


    主要作者简介

    王自龙香港理工大学博士后,研究领域为基于人工智能的智慧消防技术。

    ▲长按识别二维码

    查看王自龙个人网页

    黄鑫炎:香港理工大学副教授、博士生导师,研究领域包括基础燃烧科学和火灾安全应用。

    ▲长按识别二维码
    查看黄鑫炎个人网页


    相关阅读

    图文 | 王自龙

    编辑 | 陆  童

    审核 | 黄鑫炎


    理大火灾安全科学
    香港理工大学火灾安全科学实验室(黄鑫炎教授课题组),致力于消防安全领域的科普,火灾科学与技术的分享。
     最新文章