[发明专利]基于梯度优化多物理信息神经网络的电池热失控预测方法

权利要求书

1.一种基于梯度优化多物理信息神经网络的电池热失控预测方法，用于预测锂离子电池的热失控过程，其特征在于，包括以下步骤：

建立锂离子电池热失控的多参数耦合模型；

构造多物理信息神经网络，其中，所述多物理信息神经网络的输入为时间、环境温度及锂离子电池的至少两个空间分布变量、，输出为锂离子电池的温度及其所含的锂离子的无量纲浓度，损失函数基于所述多参数耦合模型确定；

使用训练数据对所述多物理信息神经网络进行训练，其中，在训练过程中基于所述多参数耦合模型对所述多物理信息神经网络的反向传播梯度进行优化；

使用经过训练的所述多物理信息神经网络预测锂离子电池的热失控过程。

2.根据权利要求1所述的基于梯度优化多物理信息神经网络的电池热失控预测方法，其特征在于：

所述多参数耦合模型包括描述锂离子电池热失控过程中热力学反应的第一方程组，以及描述锂离子电池热失控过程中多种介质化学降解反应的第二方程组；

所述第一方程组与所述第二方程组通过体积热产生率互相耦合。

3.根据权利要求2所述的基于梯度优化多物理信息神经网络的电池热失控预测方法，其特征在于，所述第一方程组具体为：

，

其中，、、为分别为锂离子电池的密度、热容及导热系数，为锂离子电池的电解质中锂离子的温度，其是锂离子的分布空间及时间的函数，为的计算域，为计算时间上限，为对流传热系数，、、、、、分别为反应焓、单位体积的比活性物质含量、反应指前因子、活化能、摩尔气体常数和反应级数，、分别为温度及无量纲浓度的初始值；

所述第二方程组具体为：

，

其中，、分别为正极及电解质分解导致的体积热产生率，、、分别为正极分解反应的频率因子、反应系数和热活化能，、分别为、的反应级数，、、、分别为电解液分解反应的频率因子、热活化能、锂离子浓度及反应级数。

4.根据权利要求1所述的基于梯度优化多物理信息神经网络的电池热失控预测方法，其特征在于：

所述多物理信息神经网络包括分别包括两个独立的第一神经网络及第二神经网络；

所述第一神经网络、第二神经网络共享相同的输入、、、；

所述第一神经网络的输出为温度的预测值，所述第二神经网络的输出为无量纲浓度的预测值。

5.根据权利要求3所述的基于梯度优化多物理信息神经网络的电池热失控预测方法，其特征在于，所述损失函数具体为：

，

其中，、、、及分别为数据拟合损失、偏微分方程损失、常微分方程损失、边界条件损失和初始条件损失，、、、、分别为其加权系数，、、、分别为、、、的预测值，，，，，，，、分别为变量空间分布变量、对应的导热系数，、、分别为、、的取值上限。

6.根据权利要求5所述的基于梯度优化多物理信息神经网络的电池热失控预测方法，其特征在于，

所述多物理信息神经网络还包括用于变压层，以及，

步骤300中所述在训练过程中基于所述多参数耦合模型对所述多物理信息神经网络的反向传播梯度进行优化，具体为在反向传播中执行以下步骤：

第一步，求取，其中为求取梯度操作；

第二步，分别求取，以及、；

第三步，基于下式求取、：

；

第四步，基于下式求取、：

，

其中，rate为预设的学习率；

第五步，使用、更新所述变压层的权重。

7.根据权利要求6所述的基于梯度优化多物理信息神经网络的电池热失控预测方法，其特征在于：

对所述多物理信息神经网络的反向传播梯度进行优化只在前N次反向传播中执行。

8.根据权利要求1所述的基于梯度优化多物理信息神经网络的电池热失控预测方法，其特征在于：

还包括对输入、、、及输出、进行非量纲化处理的步骤。