Journal of Power Sources正文：利用化学反应神经网络构建锂电池正极材料的热稳定物理模型

第一作者：Benjamin C. Koenig

通讯作者：邓斯理*

单位：美国麻省理工学院

近年来，锂离子电池的研究日益受到关注，特别是在交通电气化和能源储存方面的应用。然而，锂离子电池在过热等滥用条件下可能引发热失控，产生火灾和安全风险。为了解决这一问题，研究者使用了不同的实验方法来探索电池的热失控机理。然而，传统方法在动力学模型建立中存在假设简化，与实际情况不符。

最近，一种新方法基于化学反应神经网络（CRNN），可以更准确地研究电池热失控动力学。这种方法不同于传统的分析方法，它能够准确地捕捉多步反应、非指数温度依赖等复杂现象。研究者将这种方法应用于锂离子电池正极材料的研究，发现其能够更准确地揭示电池组件的热动力学特性，为电池技术的发展和应用带来了新的可能性。

近日，来自 美国麻省理工学院的邓斯理教授与田纳西大学诺克斯维尔分校的赵鹏教授合作 ，在国际知名期刊 Journal of Power Sources 上发表题为 “Accommodating physical reaction schemes in DSC cathode thermal stability analysis using chemical reaction neural networks” 的原创文章。该文章提出了一种基于化学反应神经网络（CRNN）的新方法，用于锂离子电池正极材料热稳定性机理和动力学研究。该方法将物理学模型镶嵌在神经网络结构中，从而能够从差示扫描量热分析数据中准确的捕捉多步反应的耦合关系，构建热失控模型，为电池安全性能的改进提供了新的途径。

化学反应神经网络（CRNN）方法是邓斯理教授课题组开发的工具，用于从化学组分的演化数据中自主发现反应途径和量化反应动力学参数。CRNN的结构嵌合了阿伦尼乌斯定律和质量作用定律，学习周期完成后，其权重和偏差可以直接解释为动力学模型参数。CRNN的构建基于详细的阿伦尼乌斯动力学描述，因此摒弃了任何分析拟合假设，例如Kissinger方法中使用的假设。网络结构可以调整以学习各种途径和速率常数的公式，包括附加项和动力学耦合，如非指数温度依赖性和顺序反应耦合方案。这种方法已成功应用于各种研究，包括气相化学动力学和凝聚相热解，并已扩展到动力学参数不确定性的量化。

本文在CRNN的基础上增加一个新的热处理节点，从而得CRNN能够利用DSC实验中的时间分辨放热数据学习热动力学机制以及反应焓参数。这种提出的CRNN形式保留了原始CRNN的所有优点，包括其可直接解释的参数和学习一般和复杂反应途径的能力，同时为其在热失控建模和其他复杂动力学系统中的应用打开了大门。本文在概念证明演示之后，将这种基于新的CRNN的模型开发方法应用于DSC数据，重新审视镍-钴-锰（NCM）正极材料的热分解动力学机制。相较于传统方法，这项工作克服了一些有根本性缺陷的模型简化和假设，具有更好的泛化能力。

本文提出的学习框架在六种不同的NCM正极组分上进行了测试。在所有情况下，CRNN所学的模型在数据准确性和已知的物理学准确性方面都能够匹配或优于现有模型。改进最明显的情况是模型峰值与多步反应效应显著重叠的情况。在这些情况下，传统拟合方法在峰形不良、反应阶数不合理以及相对峰位置不合理的情况下效果不佳，而CRNN方法纠正了这些问题。最后，本文根据CRNN推断得出的不同镍含量和晶体结构的NCM正极材料的热解动力学模型进行了全局趋势研究，发现其与文献中关于热稳定性模式的信息相吻合。本文介绍的CRNN学习框架可以用于对广泛的放热或吸热反应的热动力学参数进行物理信息推断，以及扩展到其他电池组件，从而建立电池热失控动力学模型。

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

邓斯理 教授  简介：2010年本科毕业于清华大学热能工程系，博士师从普林斯顿大学航空与机械工程系C.K. Law院士以及M.E. Mueller教授，随后在斯坦福X.L. Zheng教授课题组从事博士后研究工作。2019年加入麻省理工学院，现为机械工程系助理教授。长期从事能源转化和储存的研究。课题组网站：http://deng.mit.edu/