[论文解读] Parameterising continuum level Li-ion battery models & the LiionDB database

Ange Wang, Simon E. J. O’Kane+10 more|arXiv (Cornell University)|Oct 19, 2021

Advanced Battery Technologies Research参考文献 210被引用 4

一句话总结

本文全面综述了用于 Doyle–Fuller–Newman（DFN）连续体级锂离子电池模型的参数化方法，该模型是模拟电池尺度电化学行为的广泛使用框架。本文提出了 LiionDB，一个可搜索的开放获取数据库，汇集了实验获得的参数及其元数据，实现了在不同电池化学组成和设计中一致、可复现且物理准确的模型校准。

ABSTRACT

The Doyle-Fuller-Newman framework is the most popular physics-based continuum-level description of the chemical and dynamical internal processes within operating lithium-ion-battery cells. With sufficient flexibility to model a wide range of battery designs and chemistries, the framework provides an effective balance between detail, needed to capture key microscopic mechanisms, and simplicity, needed to solve the governing equations at a relatively modest computational expense. Nevertheless, implementation requires values of numerous model parameters, whose ranges of applicability, estimation, and validation pose challenges. This article provides a critical review of the methods to measure or infer parameters for use within the isothermal DFN framework, discusses their advantages or disadvantages, and clarifies limitations attached to their practical application. Accompanying this discussion we provide a searchable database, available at www.liiondb.com, which aggregates many parameters and state functions for the standard Doyle-Fuller-Newman model that have been reported in the literature.

研究动机与目标

• 解决等温 DFN 模型中准确且一致的参数化这一关键挑战，这对于可靠的电池仿真至关重要。
• 识别并澄清现有实验和拟合技术在提取 DFN 参数时存在的假设、局限性和方法论不一致性。
• 建立 LiionDB（www.liiondb.com）作为集中化、社区驱动的 DFN 模型参数库，包含完整的来源信息和元数据。
• 通过突出参数估计中的误差传播风险和可识别性问题，提升模型的鲁棒性。
• 指导研究人员根据实验条件和模型假设选择合适的参数，从而提升电池设计与分析中的预测准确性。

提出的方法

• 系统性综述用于推断 DFN 参数的实验和拟合方法，包括电化学阻抗谱、恒电流间歇滴定法以及微观结构测量。
• 开发结构化的关系型数据库模式（LiionDB），用于存储参数、相关文献、材料和测量方法，并建立主键与外键关系。
• 整合元数据，如输入范围和温度范围、热缩放因子以及备注，以确保上下文感知的参数使用。
• 应用无量纲化技术以评估参数可识别性，并确定哪些参数可从特定实验中可靠提取。
• 采用多层数据模型将参数与其来源文献、材料和实验方法关联，实现可追溯性和交叉比较。
• 实现基于网络的界面（www.liiondb.com），支持社区贡献、参数搜索及按材料、方法或应用背景的筛选。

实验结果

研究问题

• RQ1 测量或推断 DFN 模型参数（如固态扩散系数、离子电导率和电极孔隙率）的最可靠且一致的方法是什么？
• RQ2 实验技术中的假设（如电极几何形状或颗粒形态）如何影响推断参数的准确性和可转移性？
• RQ3 辅助测量中的误差（如电化学活性表面积）在多大程度上传播到 DFN 模型的最终参数估计中？
• RQ4 集中化、经整理的数据库在多大程度上能提升研究社区内电池模型参数化的可复现性和一致性？
• RQ5 在特定实验设置下，DFN 框架中的哪些参数是可识别的？这如何用于指导高效模型校准？

主要发现

• 由于在物理解释精度和计算效率之间取得了良好平衡，DFN 模型仍然是细胞级电池仿真中强大且广泛应用的框架。
• 许多 DFN 参数具有高度的方法依赖性，其数值可能因实验假设（如颗粒几何形状或电极负载条件）而显著不同。
• LiionDB 数据库现已汇集了经整理的 DFN 参数集合，包含完整的来源信息，包括文献出处、材料类型、测量方法和运行范围。
• 误差传播是一个重大关切，特别是对于依赖于次级估计（如电极表面积）的参数（如固态扩散系数）。
• 无量纲化分析表明，并非所有 DFN 参数都能从单一实验中识别，凸显了采用多方法校准策略的必要性。
• 鼓励社区对 LiionDB 进行贡献，预计这将随时间推移显著提升数据库的全面性和实用性。