基于物理模拟生成合成数据的机器学习辅助电池制造多目标优化
应用物理
2022-05-04 v1
摘要
电极制造过程的优化是确保高质量锂离子电池（LIB）电芯的最关键步骤之一，尤其在汽车应用中。由于 LIB 电极制造是一个涉及多步骤和相互依赖参数的复杂过程，我们在先前工作中已表明，三维分辨率的基于物理的模型是非常有用的工具，可揭示制造工艺参数对电极织构与性能特性的影响。然而，由于此类模型计算成本高，其用于电极特性优化和制造参数逆向设计的高通量应用受到限制。在本工作中，我们通过提出一种创新方法解决该问题，该方法由确定性机器学习（ML）辅助流水线支持，用于 LIB 电极特性多目标优化及其制造工艺的逆向设计。首先，该流水线利用低差异序列从基于物理的模拟生成合成数据集，足以表征制造参数空间。其次，生成的数据集用于训练确定性 ML 模型，以实现快速多目标优化，从而确定最优电极及应采用的制造参数以制备该电极。最后，该电极被实验成功制备，证明我们的建模流水线预测具有物理相关性。在此，我们展示了该流水线可同时最小化电极曲折因子并最大化有效电子电导率、活性表面积和密度，这些均为影响电极 Li （脱）嵌动力学、离子与电子传输特性的参数。
引用
@article{arxiv.2205.01621,
title = {Machine Learning-Assisted Multi-Objective Optimization of Battery Manufacturing from Synthetic Data Generated by Physics-Based Simulations},
author = {Marc Duquesnoy and Chaoyue Liu and Diana Zapata Dominguez and Vishank Kumar and Elixabete Ayerbe and Alejandro A. Franco},
journal= {arXiv preprint arXiv:2205.01621},
year = {2022}
}