基于深度算子网络的锂离子电池电化学性能与参数推断
计算物理
2023-12-05 v1 人工智能
机器学习
摘要
锂离子电池是一个复杂的物理化学系统,通常以施加电流为输入、端电压为输出。从电流到电压的映射可由多种模型描述,例如精确但低效的基于物理的模型,以及高效但有时不准确的等效电路与黑箱模型。为在电池建模中同时实现准确与高效,我们提出在构建数据驱动的电池系统代理模型的同时,将底层物理作为约束纳入。在本工作中,我们创新地将从电流曲线到端电压的泛函映射视为算子的复合,并由强大的深度算子网络(DeepONet)逼近。其学习能力首先通过对两电极处锂离子浓度的预测测试得到验证。该实验中,物理信息 DeepONet 比纯数据驱动 DeepONet 更鲁棒,尤其在时间外推场景中。随后构建了一个由三个算子网络组成的复合代理模型,用于从电流曲线和固相扩散系数映射到端电压:两个并行的物理信息 DeepONet 首先预测两电极处锂离子浓度,再基于其表面值构建一个 DeepONet 给出端电压预测。由于该代理模型处处可微,具备直接从数据学习的能力,这通过使用端电压测量值估计输入参数得到验证。所提出的基于算子网络的代理模型因融入底层物理而兼具高效与准确,并通过全可微模型结构为模型精炼留有接口,在车载场景(如电池管理系统)中具有广阔应用潜力。
引用
@article{arxiv.2205.03508,
title = {Inferring electrochemical performance and parameters of Li-ion batteries based on deep operator networks},
author = {Qiang Zheng and Xiaoguang Yin and Dongxiao Zhang},
journal= {arXiv preprint arXiv:2205.03508},
year = {2023}
}
备注
32 pages, 15 figures