Chemical Reaction Neural Networks for Fitting Accelerating Rate Calorimetry Data

要約

リチウムイオンバッテリーの需要が急速に増加する中、熱暴走を緩和するために、これらのセルを安全な方法で設計する必要がある。電池の熱暴走は制御不能な温度上昇を引き起こし、火災を引き起こす可能性があり、安全上の大きな懸念事項となっています。通常、熱暴走の化学反応速度をモデリングする場合、温度による分解反応速度を決定するために、熱量測定データ（加速熱量測定（ARC）など）が必要となります。加速熱量測定（ARC）データにアレニウス常微分方程式（ODE）熱暴走モデルを当てはめる従来の方法では、いくつかの仮定があり、得られるモデルの忠実度と一般化可能性が低下します。本論文では、Molicel 21700 P45Bから得られたARCデータにN方程式のアレニウスODEの運動パラメータを適合させるために、化学反応ニューラルネットワーク（CRNN）を学習させた。このモデルは実験データをよりよく近似することがわかった。この手法の柔軟性は、2方程式と4方程式のモデルで実験することにより実証された。得られた動力学パラメータを用いて3次元の熱暴走シミュレーションを行い、得られた熱暴走モデルの大規模シミュレーションへの適用性を示した。

要約(オリジナル)

As the demand for lithium-ion batteries rapidly increases there is a need to design these cells in a safe manner to mitigate thermal runaway. Thermal runaway in batteries leads to an uncontrollable temperature rise and potentially fires, which is a major safety concern. Typically, when modelling the chemical kinetics of thermal runaway calorimetry data ( e.g. Accelerating Rate Calorimetry (ARC)) is needed to determine the temperature-driven decomposition kinetics. Conventional methods of fitting Arrhenius Ordinary Differential Equation (ODE) thermal runaway models to Accelerated Rate Calorimetry (ARC) data make several assumptions that reduce the fidelity and generalizability of the obtained model. In this paper, Chemical Reaction Neural Networks (CRNNs) are trained to fit the kinetic parameters of N-equation Arrhenius ODEs to ARC data obtained from a Molicel 21700 P45B. The models are found to be better approximations of the experimental data. The flexibility of the method is demonstrated by experimenting with two-equation and four-equation models. Thermal runaway simulations are conducted in 3D using the obtained kinetic parameters, showing the applicability of the obtained thermal runaway models to large-scale simulations.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL