基于物理信息神经网络的锂离子电池单粒子模型代理建模
应用物理
2026-01-06 v1
摘要
物理基模型在电池管理中发挥关键作用，但因求解耦合代数-偏微分方程的计算成本高，面临实时应用的挑战。为加速模型仿真，本研究对比评估了三种物理信息神经网络（PINN）架构用于电池单粒子模型建模，包括两种常规 PINN 架构和一种 DeepONet 架构。在 various current conditions下, 评估和比较了这些 PINN 的准确性和泛化性能。我们的结果表明，PINN 在建模电池物理过程方面具有潜力，但也揭示了在高度动态电流条件下常规 PINN 架构的局限性。在其中一种情况下，傅里叶增强的 DeepONet 实现了卓越的泛化性能，相较于数值求解器实现了近乎 10 倍的加速。本工作提供了一个将物理基模型与机器学习相结合的示例。
引用
@article{arxiv.2601.01466,
title = {Physics-informed neural network surrogate modeling of single particle model for lithium-ion batteries},
author = {Yi Zhuang and Yusheng Zheng and Yunhong Che and Remus Teodorescu},
journal= {arXiv preprint arXiv:2601.01466},
year = {2026}
}