数据驱动方法：学习描述电池电芯中锂沉积的最优常数关系形式

在本研究中，我们构建了一个描述电池电芯中锂沉积的数据驱动模型，这一过程是贡献于此类电池退化的关键因素。我们从基本的Doyle-Fuller-Newman（DFN）模型出发，使用渐近降低和空间平均化技术推导出简化表示，以跟踪系统中两个关键浓度的演化，即负极颗粒上总计入锂以及总沉积锂。该模型取决于对细胞作为函数的状态变量的先验未知常数关系。在从通过核磁共振光谱获取的不同锂相随时间浓度实验测量中推导出该常数关系的最优形式，然后通过求解逆问题来实现，其中该常数关系在最小化假设下找到，旨在最小化模型预测与实验数据之间的差异。该优化问题采用基于 adjoint 的最先进技术求解。与早期建模锂沉积的某些方法不同，所提出的模型能够预测在无电流施加到电池时的放松 regime 中浓度的非平凡演化。当配备最优常数关系时，该模型能够在宽广的充放电速率范围内准确预测两种锂（计入锂和沉积锂）的时间演化。因此，它可以作为预测和控制电池退化机制的有用工具。