當(dāng)前位置：
成果簡(jiǎn)介
先進(jìn)的電池技術(shù)需要精確預(yù)測(cè)多個(gè)組件之間的熱化學(xué)反應(yīng)，以有效地利用儲(chǔ)存的能量并進(jìn)行熱管理。最近，機(jī)器學(xué)習(xí)(ML)有望解決這一復(fù)雜的熱化學(xué)預(yù)測(cè)任務(wù)。然而，由于問題的高復(fù)雜性和可用于模型訓(xùn)練的實(shí)驗(yàn)數(shù)據(jù)極其有限，導(dǎo)致ML仍難以預(yù)測(cè)電池的熱化學(xué)行為。
清華大學(xué)馮旭寧副教授、張強(qiáng)教授、歐陽明高院士等人創(chuàng)新并驗(yàn)證了溫度挖掘(TE)方法，該方法可以在最小的實(shí)驗(yàn)中，將熱化學(xué)反應(yīng)的動(dòng)力學(xué)偏好解釋為數(shù)百萬個(gè)訓(xùn)練數(shù)據(jù)。在TE方法的幫助下，作者建立了第一個(gè)普遍適用的電池?zé)崾Э啬Ｐ停撃Ｐ驮?00℃范圍內(nèi)對(duì)15種不同的商業(yè)和先進(jìn)化學(xué)物質(zhì)具有不同的電池格式實(shí)現(xiàn)了很高的預(yù)測(cè)精度，并涵蓋了所有正常工作條件。TE方法在各種ML算法上也表現(xiàn)出廣泛的適應(yīng)性和訓(xùn)練穩(wěn)定性，為ML在熱化學(xué)和所有熱相關(guān)研究中開辟了新的跨學(xué)科機(jī)會(huì)。
相關(guān)工作以《Temperature excavation to boost machine learning battery thermochemical predictions》為題在《Joule》上發(fā)表論文。
圖文導(dǎo)讀
目前，熱化學(xué)中的每個(gè)實(shí)驗(yàn)結(jié)果都被數(shù)字化為ML的單個(gè)訓(xùn)練數(shù)據(jù)集，這將訓(xùn)練數(shù)據(jù)的規(guī)模與實(shí)驗(yàn)量固有地聯(lián)系在一起(圖1A)。
ML模型作為一個(gè)數(shù)字實(shí)體，通過對(duì)訓(xùn)練數(shù)據(jù)的順序處理來獲取知識(shí)。訓(xùn)練不足通常會(huì)導(dǎo)致擬合結(jié)果較差，其中ML模型無法識(shí)別和優(yōu)化變量之間的關(guān)系，導(dǎo)致不穩(wěn)定性和不準(zhǔn)確性。一個(gè)有104個(gè)參數(shù)的模型需要4×106個(gè)訓(xùn)練樣本才能避免嚴(yán)重的過擬合。然而，在大多數(shù)前沿電池研究中，沒有現(xiàn)有的數(shù)據(jù)庫可以滿足這一規(guī)模要求。
圖1 基于溫度挖掘的ML精確預(yù)測(cè)電池?zé)峄瘜W(xué)反應(yīng)
從熱化學(xué)的角度來看，每一個(gè)熱化學(xué)過程的熱行為都是一個(gè)從初始化學(xué)狀態(tài)到最終狀態(tài)的動(dòng)力學(xué)反應(yīng)路徑的結(jié)果(圖1A)。一般來說，有幾種不同的中間產(chǎn)物、活化能、濃度、反應(yīng)步驟和反應(yīng)速率的反應(yīng)途徑可以導(dǎo)致最終狀態(tài)。然而，在熱化學(xué)過程中的每個(gè)中間點(diǎn)，由于溫度、壓力、中間體和濃度的變化，反應(yīng)傾向于采取一條途徑而不是其他途徑最終達(dá)到最終狀態(tài)(通常是活化能最低的“最簡(jiǎn)單”途徑)。這個(gè)過程類似于爬山。在特定條件下選擇特定的最優(yōu)反應(yīng)路徑被稱為熱化學(xué)過程的“動(dòng)力學(xué)偏好”。因此，“動(dòng)力學(xué)偏好”決定了從初始狀態(tài)到最終狀態(tài)的首選反應(yīng)路徑，從而產(chǎn)生實(shí)驗(yàn)熱特征曲線。
隨著反應(yīng)復(fù)雜性的增加(例如，當(dāng)涉及更多的反應(yīng)物時(shí))，可能的反應(yīng)路徑的數(shù)量迅速增加。因此，盡管熱特征曲線包含了豐富的優(yōu)先動(dòng)力學(xué)路徑信息，但通過觀察整體特征曲線來區(qū)分優(yōu)選動(dòng)力學(xué)路徑是極其困難的。此外，從機(jī)器學(xué)習(xí)的角度來看，機(jī)器學(xué)習(xí)模型通過逐個(gè)處理訓(xùn)練數(shù)據(jù)集，提取相似性和差異性，學(xué)習(xí)模式來改進(jìn)。使用單一的訓(xùn)練數(shù)據(jù)集可能會(huì)導(dǎo)致學(xué)習(xí)過程失敗，存在嚴(yán)重的過擬合問題，并產(chǎn)生誤導(dǎo)性的預(yù)測(cè)(圖1A)。因此，關(guān)鍵問題是如何有效地挖掘隱藏在熱化學(xué)實(shí)驗(yàn)中的動(dòng)力學(xué)信息，并將這些知識(shí)解釋為可以被ML模型學(xué)習(xí)和理解的大規(guī)模訓(xùn)練數(shù)據(jù)集。
作者提出用溫度挖掘(TE)方法來探討熱化學(xué)過程中不同中間態(tài)的反應(yīng)動(dòng)力學(xué)偏好。如圖1B所示，TE方法首先在整個(gè)反應(yīng)過程中選擇幾個(gè)切點(diǎn)(SPs)(代表不同的中間狀態(tài))。圖1B以四個(gè)SP(SP0~SP3)為例進(jìn)行說明。然后，從第一個(gè)SP(SP0)到其他SP(SP1、SP2和SP3)生成三個(gè)TE擴(kuò)展數(shù)據(jù)片。
通過比較不同的TE膨脹片，可以得到優(yōu)選的動(dòng)力學(xué)路徑。例如，在SP2，通過對(duì)比01片和02片，可以確定熱化學(xué)特征的發(fā)展方向，它反映了特定中間狀態(tài)下的首選反應(yīng)路徑，從而能夠排除不可能的動(dòng)力學(xué)路徑。此外，歷史反應(yīng)過程顯著影響隨后的動(dòng)力學(xué)偏好。在SP2處，02片代表01片的歷史段，它直接影響到通向SP3的后續(xù)路徑。因此，TE方法可以揭示每個(gè)SP處歷史反應(yīng)路徑的影響。
通過增加SP數(shù)并將這些TE擴(kuò)展的切片數(shù)字化，可以實(shí)現(xiàn)實(shí)驗(yàn)數(shù)據(jù)規(guī)模的大幅增加，有可能在數(shù)字領(lǐng)域生成數(shù)百萬個(gè)訓(xùn)練數(shù)據(jù)集。
圖2 溫度挖掘方法的應(yīng)用程序
溫度挖掘(TE)方法的目的是在ML模型的訓(xùn)練和微調(diào)過程中實(shí)現(xiàn)實(shí)驗(yàn)數(shù)據(jù)規(guī)模的大幅增加。圖2說明了采用TE方法開發(fā)預(yù)測(cè)熱化學(xué)ML模型的整個(gè)過程。最初的步驟包括識(shí)別預(yù)測(cè)輸入和目標(biāo)特征。通常，輸入包括一個(gè)多維矩陣，其中包含可能影響目標(biāo)的各種特征(圖2A演示了一個(gè)5維場(chǎng)景)。隨后進(jìn)行熱實(shí)驗(yàn)，建立輸入與目標(biāo)沿溫度軸的相關(guān)性(圖2B)。這些熱實(shí)驗(yàn)在高溫分辨率下進(jìn)行，以獲得更細(xì)的切片和更大的數(shù)據(jù)擴(kuò)展比。然后，應(yīng)用TE方法通過沿溫度軸切片、重復(fù)和重采樣來增加輸入-目標(biāo)數(shù)據(jù)規(guī)模，從而生成n倍擴(kuò)展的ML訓(xùn)練數(shù)據(jù)(圖2C)。
然后，進(jìn)一步構(gòu)建并訓(xùn)練ML模型，該模型的參數(shù)尺度現(xiàn)在受到TE擴(kuò)展數(shù)據(jù)尺度的限制，而不是實(shí)驗(yàn)尺度的限制(圖2D)。用于構(gòu)造機(jī)器學(xué)習(xí)結(jié)構(gòu)的ML算法有很多種，包括ANN、CNN、RNN和transformer。
經(jīng)過訓(xùn)練的機(jī)器學(xué)習(xí)模型可以進(jìn)一步微調(diào)，以適應(yīng)類似的預(yù)測(cè)場(chǎng)景(例如，不同的電池格式、測(cè)試環(huán)境或測(cè)試設(shè)備)(圖2E)。最后，在之前程序中使用過的實(shí)驗(yàn)數(shù)據(jù)上驗(yàn)證ML預(yù)測(cè)的準(zhǔn)確性(圖2F)，并在未用于訓(xùn)練或微調(diào)的新收集的實(shí)驗(yàn)或文獻(xiàn)結(jié)果上進(jìn)行測(cè)試(圖2G)。
圖3 溫度挖掘支持的ML預(yù)測(cè)電池?zé)崾Э?/strong>
TE方法用于解決從材料熱特征預(yù)測(cè)電池?zé)崾Э?TR)的熱化學(xué)任務(wù)(圖3A)。在超過1000℃的寬溫度范圍內(nèi)，涉及多種氧化劑，還原劑和自由基的高度相關(guān)的熱化學(xué)反應(yīng)的存在突出了TR的復(fù)雜性。
為了編制一個(gè)全面的TR預(yù)測(cè)實(shí)驗(yàn)數(shù)據(jù)庫，作者收集了12種主流商用鋰離子化學(xué)物質(zhì)(包括LFP正極，5種不同的層狀氧化物正極，石墨和硅基負(fù)極，5種不同的電解質(zhì))以及3種高級(jí)化學(xué)物質(zhì)(鋰金屬，鋰-硫和鈉離子化學(xué)物質(zhì))的數(shù)據(jù)，包括適用于各種應(yīng)用(1-74 Ah)的小型和大型電池。該數(shù)據(jù)庫還涵蓋了所有正常的電池工作狀態(tài)(0%-100%充電和降解狀態(tài))(圖3B)。
圖3C展示了TE方法應(yīng)用于實(shí)驗(yàn)材料和電池?zé)崽匦缘倪^程。輸入特征矩陣包括5個(gè)維度，表示單個(gè)材料及其組合的熱流。圖3D顯示了這些TE擴(kuò)展數(shù)據(jù)對(duì)的分布。這種分布的分散性表明，電池的TR特性不僅僅取決于材料的加熱速率。相反，它們表明了各種電池組件和溫度之間復(fù)雜的熱化學(xué)相互作用，這是目前基于其他機(jī)制的模型難以捕捉的高度復(fù)雜的現(xiàn)象。
經(jīng)過訓(xùn)練和微調(diào)的ML模型在預(yù)測(cè)電池TR方面顯示出顯著的準(zhǔn)確性和通用性，如圖3F和3G所示。ML模型準(zhǔn)確地預(yù)測(cè)了所有實(shí)驗(yàn)樣品在整個(gè)溫度范圍內(nèi)的升溫速率，包括具有各種正極、負(fù)極、電解質(zhì)、格式、充電狀態(tài)和降解狀態(tài)的樣品(圖3F)。
利用這種精確的速率預(yù)測(cè)，從而能夠確定評(píng)估電池安全性的關(guān)鍵指標(biāo)：初始自熱溫度(Tinitial)和TR起始溫度(Tonset)。通過調(diào)整ML模型的預(yù)測(cè)目標(biāo)，可以得到最高溫度(Tmax)。值得注意的是，這些指標(biāo)的預(yù)測(cè)誤差在所有實(shí)驗(yàn)結(jié)果中保持在4%以下。此外，通過積分溫度上升速率，準(zhǔn)確地捕獲了整個(gè)TR范圍內(nèi)的溫度波動(dòng)，實(shí)現(xiàn)了所有樣本的誤差小于8%(圖3G)。
圖4 準(zhǔn)確和通用預(yù)測(cè)的熱失控模型
從圖4A和圖4B可以明顯看出，無溫度挖掘支持的ML在訓(xùn)練損失方面出現(xiàn)了明顯的波動(dòng)，這表明由于數(shù)據(jù)規(guī)模有限，存在明顯的過擬合問題。值得注意的是，溫度挖掘支持的ML在應(yīng)用于新數(shù)據(jù)時(shí)始終保持較高的預(yù)測(cè)精度(圖4C、D)，而不受電極材料、電解質(zhì)或充電狀態(tài)變化的影響。
對(duì)于文獻(xiàn)中報(bào)道的傳統(tǒng)LFP和更先進(jìn)的鈉離子、鋰金屬和Li-S電池化學(xué)成分，TE支持的模型還提供了基于材料熱特性的準(zhǔn)確電池TR預(yù)測(cè)。如圖4E、F所示，TE支持的ML準(zhǔn)確地捕獲了傳統(tǒng)LFP和先進(jìn)電池化學(xué)物質(zhì)的溫度隨時(shí)間的變化。此外，機(jī)器學(xué)習(xí)可以精確識(shí)別關(guān)鍵的電池TR指標(biāo)，包括Tinitial和Tonset，從而基于材料級(jí)實(shí)驗(yàn)進(jìn)行可靠的電池級(jí)安全評(píng)估。
TE擴(kuò)展的數(shù)據(jù)對(duì)不僅重申而且擴(kuò)大了實(shí)驗(yàn)數(shù)據(jù)中固有的潛在化學(xué)知識(shí)，從而在ML模型的準(zhǔn)確性、通用性、擬合質(zhì)量和模型獨(dú)立性方面取得了顯著提高。通過使用TE方法，成功建立了第一個(gè)通用的TR模型，在不同的化學(xué)物質(zhì)、電池格式和操作條件下顯示出出色的準(zhǔn)確性(圖4G)。這種機(jī)器學(xué)習(xí)模型大大超越了現(xiàn)有的基于機(jī)制的模型，并有效地打破了電池設(shè)計(jì)中昂貴的“試錯(cuò)”模式。
最重要的是，這一里程碑進(jìn)展強(qiáng)調(diào)了TE方法在幫助ML克服數(shù)據(jù)稀缺性挑戰(zhàn)和滿足高復(fù)雜性電池?zé)峄瘜W(xué)任務(wù)要求方面的熟練程度。
文獻(xiàn)信息
Temperature excavation to boost machine learning battery thermochemical predictions，Joule，2024.https://doi.org/10.1016/j.joule.2024.07.002