锂离子电池formation阶段循环寿命预测的系统化特征设计
计算机科学与博弈论
2024-12-10 v2
摘要
锂离子电池制造中formation 步骤的优化由于对固体电解质界面形成的有限物理理解以及电池达到终身生命周期所需的长测试时间（~100 天）而具有挑战性。我们提出了一个系统化特征设计框架，需的最少领域知识即可实现准确的循环寿命预测。我们设计的两个简单 Q(V) 特征从formation 数据中提取，且无需任何额外诊断循环，实现了对循环寿命预测的中位数误差为 9.20%，优于使用预定义特征数千个 autoML 模型。我们将强大的性能归因于特征的物理来源——我们框架识别的电压范围捕获了formation 温度和微观粒子电阻异质性的效应。通过设计高度可解释的特征，我们的方法可以加速formation 研究，利用数据驱动特征设计与机制理解之间的相互作用。
引用
@article{arxiv.2410.07457,
title = {Responding to Promises: No-regret learning against followers with memory},
author = {Vijeth Hebbar and Cédric Langbort},
journal= {arXiv preprint arXiv:2410.07457},
year = {2024}
}