第一作者：Benjamin C. Koenig

通訊作者：鄧斯理*

單位：美國麻省理工學院

近年來，鋰離子電池的研究日益受到關(guān)注，特別是在交通電氣化和能源儲存方面的應(yīng)用。然而，鋰離子電池在過熱等濫用條件下可能引發(fā)熱失控，產(chǎn)生火災和安全風險。為了解決這一問題，研究者使用了不同的實驗方法來探索電池的熱失控機理。然而，傳統(tǒng)方法在動力學模型建立中存在假設(shè)簡化，與實際情況不符。

最近，一種新方法基于化學反應(yīng)神經(jīng)網(wǎng)絡(luò)（CRNN），可以更準確地研究電池熱失控動力學。這種方法不同于傳統(tǒng)的分析方法，它能夠準確地捕捉多步反應(yīng)、非指數(shù)溫度依賴等復雜現(xiàn)象。研究者將這種方法應(yīng)用于鋰離子電池正極材料的研究，發(fā)現(xiàn)其能夠更準確地揭示電池組件的熱動力學特性，為電池技術(shù)的發(fā)展和應(yīng)用帶來了新的可能性。

近日，來自美國麻省理工學院的鄧斯理教授與田納西大學諾克斯維爾分校的趙鵬教授合作，在國際知名期刊Journal of Power Sources上發(fā)表題為“Accommodating physical reaction schemes in DSC cathode thermal stability analysis using chemical reaction neural networks”的原創(chuàng)文章。該文章提出了一種基于化學反應(yīng)神經(jīng)網(wǎng)絡(luò)（CRNN）的新方法，用于鋰離子電池正極材料熱穩(wěn)定性機理和動力學研究。該方法將物理學模型鑲嵌在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，從而能夠從差示掃描量熱分析數(shù)據(jù)中準確的捕捉多步反應(yīng)的耦合關(guān)系，構(gòu)建熱失控模型，為電池安全性能的改進提供了新的途徑。

化學反應(yīng)神經(jīng)網(wǎng)絡(luò)（CRNN）方法是鄧斯理教授課題組開發(fā)的工具，用于從化學組分的演化數(shù)據(jù)中自主發(fā)現(xiàn)反應(yīng)途徑和量化反應(yīng)動力學參數(shù)。CRNN的結(jié)構(gòu)嵌合了阿倫尼烏斯定律和質(zhì)量作用定律，學習周期完成后，其權(quán)重和偏差可以直接解釋為動力學模型參數(shù)。CRNN的構(gòu)建基于詳細的阿倫尼烏斯動力學描述，因此摒棄了任何分析擬合假設(shè)，例如Kissinger方法中使用的假設(shè)。網(wǎng)絡(luò)結(jié)構(gòu)可以調(diào)整以學習各種途徑和速率常數(shù)的公式，包括附加項和動力學耦合，如非指數(shù)溫度依賴性和順序反應(yīng)耦合方案。這種方法已成功應(yīng)用于各種研究，包括氣相化學動力學和凝聚相熱解，并已擴展到動力學參數(shù)不確定性的量化。

本文在CRNN的基礎(chǔ)上增加一個新的熱處理節(jié)點，從而得CRNN能夠利用DSC實驗中的時間分辨放熱數(shù)據(jù)學習熱動力學機制以及反應(yīng)焓參數(shù)。這種提出的CRNN形式保留了原始CRNN的所有優(yōu)點，包括其可直接解釋的參數(shù)和學習一般和復雜反應(yīng)途徑的能力，同時為其在熱失控建模和其他復雜動力學系統(tǒng)中的應(yīng)用打開了大門。本文在概念證明演示之后，將這種基于新的CRNN的模型開發(fā)方法應(yīng)用于DSC數(shù)據(jù)，重新審視鎳-鈷-錳（NCM）正極材料的熱分解動力學機制。相較于傳統(tǒng)方法，這項工作克服了一些有根本性缺陷的模型簡化和假設(shè)，具有更好的泛化能力。

本文提出的學習框架在六種不同的NCM正極組分上進行了測試。在所有情況下，CRNN所學的模型在數(shù)據(jù)準確性和已知的物理學準確性方面都能夠匹配或優(yōu)于現(xiàn)有模型。改進最明顯的情況是模型峰值與多步反應(yīng)效應(yīng)顯著重疊的情況。在這些情況下，傳統(tǒng)擬合方法在峰形不良、反應(yīng)階數(shù)不合理以及相對峰位置不合理的情況下效果不佳，而CRNN方法糾正了這些問題。最后，本文根據(jù)CRNN推斷得出的不同鎳含量和晶體結(jié)構(gòu)的NCM正極材料的熱解動力學模型進行了全局趨勢研究，發(fā)現(xiàn)其與文獻中關(guān)于熱穩(wěn)定性模式的信息相吻合。本文介紹的CRNN學習框架可以用于對廣泛的放熱或吸熱反應(yīng)的熱動力學參數(shù)進行物理信息推斷，以及擴展到其他電池組件，從而建立電池熱失控動力學模型。

“Accommodating physical reaction schemes in DSC cathode thermal stability analysis using chemical reaction neural networks”

鄧斯理 教授 簡介：2010年本科畢業(yè)于清華大學熱能工程系，博士師從普林斯頓大學航空與機械工程系C.K. Law院士以及M.E. Mueller教授，隨后在斯坦福X.L. Zheng教授課題組從事博士后研究工作。2019年加入麻省理工學院，現(xiàn)為機械工程系助理教授。長期從事能源轉(zhuǎn)化和儲存的研究。課題組網(wǎng)站：http://deng.mit.edu/