化学反应神经网络用于拟合加速速率热力学数据
计算工程、金融与科学
2024-12-02 v2 人工智能
摘要
随着锂离子电池需求的快速增长，有必要以安全的方式设计这些电池以缓解热失控。热失控导致温度不可控上升，甚至可能引发火灾，这是主要的安全问题。通常需要对热失控热力学数据的化学动力学进行建模（例如，对加速速率热力学（ARC））以确定温度驱动的分解动力学。传统方法通过对加速速率热力学（ARC）数据拟合阿姆斯壮常数微分方程（Arrhenius ODE）热失控模型，但做出了多个假设，导致所得模型的保真度和可泛化性降低。本文训练化学反应神经网络（CRNN）以拟合N-方程阿姆斯壮常数ODE的动力学参数到ARC数据，该数据来自Molicel 21700 P45B。模型被发现是对实验数据的更好的近似。通过实验两种方程和四方程模型，展示了该方法的灵活性。对获得的动力学参数进行三维热失控仿真，显示了所得热失控模型用于大规模仿真的可行性。
引用
@article{arxiv.2408.11984,
title = {Chemical Reaction Neural Networks for Fitting Accelerating Rate Calorimetry Data},
author = {Saakaar Bhatnagar and Andrew Comerford and Zelu Xu and Davide Berti Polato and Araz Banaeizadeh and Alessandro Ferraris},
journal= {arXiv preprint arXiv:2408.11984},
year = {2024}
}