面向锂离子电池仿真的快速且可泛化的参数嵌入型神经算子
机器学习
2025-08-12 v1 化学物理
摘要
可靠的锂离子电池数字孪生体必须实现高物理保真度与亚毫秒速度。本文对三种算子学习代理模型进行基准测试，用于单颗粒模型（SPM）：深度算子网络（DeepONets）、傅里叶神经算子（FNOs）和一种新提出的参数嵌入型傅里叶神经算子（PE-FNO），后者对每个谱层在粒子半径和固相扩散率上进行条件化。模型在四种电流类型（恒定、三角形、脉冲列和高斯随机场）以及 State-of-Charge（SOC）（0% 到 100%）的完整范围内的模拟轨迹上进行训练。DeepONet 准确复制恒定电流行为，但在更动态的负载方面困难不堪。基本 FNO 保持网格不变性，浓度误差保持在 1% 以下，电压平均绝对误差在所有负载类型下均低于 1.7 mV。引入参数嵌入在误差上有所增加，但实现了对不同半径和扩散率的泛化。PE-FNO 执行大约快 200 倍于 16 线程 SPM 求解器。因此，探索了 PE-FNO 在逆任务中的能力，进行参数估计任务，采用贝叶斯优化，恢复阳极和阴极扩散率，分别为 1.14% 和 8.4% 的平均绝对百分比误差，与经典方法相比多出 0.5918 个百分点误差。这些结果为神经算子满足实时电池管理、设计实验和大规模推断的准确性、速度和参数灵活性需求 paving the way。PE-FNO 超越传统神经代理模型，为实现高速高保真电化学数字孪生体提供了实际路径。
引用
@article{arxiv.2508.08087,
title = {Fast and Generalizable parameter-embedded Neural Operators for Lithium-Ion Battery Simulation},
author = {Amir Ali Panahi and Daniel Luder and Billy Wu and Gregory Offer and Dirk Uwe Sauer and Weihan Li},
journal= {arXiv preprint arXiv:2508.08087},
year = {2025}
}
备注
31 pages, 6 figures