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注，特別是在交通電氣化和能源儲存方面的應用。然而，鋰離子電池在過熱等濫用條件下可能引發熱失控，產生火災和安全風險。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，傳統方法在動力學模型建立中存在假設簡化，與實際情況不符。

最近，一種新方法基于化學反應神經網絡（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的分析方法，它能夠準確地捕捉多步反應、非指數溫度依賴等復雜現象。研究者將這種方法應用于鋰離子電池正極材料的研究，發現其能夠更準確地揭示電池組件的熱動力學特性，為電池技術的發展和應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上發表題為“Accommodating physical reaction schemes in DSC cathode thermal stability analysis using chemical reaction neural networks”的原創文章。該文章提出了一種基于化學反應神經網絡（CRNN）的新方法，用于鋰離子電池正極材料熱穩定性機理和動力學研究。該方法將物理學模型鑲嵌在神經網絡結構中，從而能夠從差示掃描量熱分析數據中準確的捕捉多步反應的耦合關系，構建熱失控模型，為電池安全性能的改進提供了新的途徑。

化學反應神經網絡（CRNN）方法是鄧斯理教授課題組開發的工具，用于從化學組分的演化數據中自主發現反應途徑和量化反應動力學參數。CRNN的結構嵌合了阿倫尼烏斯定律和質量作用定律，學習周期完成后，其權重和偏差可以直接解釋為動力學模型參數。CRNN的構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，例如Kissinger方法中使用的假設。網絡結構可以調整以學習各種途徑和速率常數的公式，包括附加項和動力學耦合，如非指數溫度依賴性和順序反應耦合方案。這種方法已成功應用于各種研究，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不確定性的量化。

本文在CRNN的基礎上增加一個新的熱處理節點，從而得CRNN能夠利用DSC實驗中的時間分辨放熱數據學習熱動力學機制以及反應焓參數。這種提出的CRNN形式保留了原始CRNN的所有優點，包括其可直接解釋的參數和學習一般和復雜反應途徑的能力，同時為其在熱失控建模和其他復雜動力學系統中的應用打開了大門。本文在概念證明演示之后，將這種基于新的CRNN的模型開發方法應用于DSC數據，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，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所學的模型在數據準確性和已知的物理學準確性方面都能夠匹配或優于現有模型。改進最明顯的情況是模型峰值與多步反應效應顯著重疊的情況。在這些情況下，傳統擬合方法在峰形不良、反應階數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CRNN推斷得出的不同鎳含量和晶體結構的NCM正極材料的熱解動力學模型進行了全局趨勢研究，發現其與文獻中關于熱穩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的熱動力學參數進行物理信息推斷，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，現為機械工程系助理教授。長期從事能源轉化和儲存的研究。課題組網站：http://deng.mit.edu/