ایمنی باتری لیتیوم یون فرسوده حین فرار حرارتی با استفاده از روش معماری شبکه عصبی بازگشتی حافظه طولانی کوتاه مدت

فرار حرارتی یکی از مهم ترین چالش های ایمنی باتری های لیتیوم یون فرسوده است و پیش بینی دقیق آن نقش مهمی در توسعه سامانه های مدیریت باتری و هشدار زودهنگام دارد. در این پژوهش، یک چارچوب یکپارچه مبتنی بر مدل سازی چندفیزیکی و شبکه عصبی حافظه بلند-کوتاه مدت برای پیش بینی دمای فرار حرارتی باتری لیتیوم یون ۱۴۵۰۰ توسعه داده شد. مدل فیزیکی با در نظر گرفتن اثر هم زمان پیری تقویمی، رشد لایه فصل مشترک الکترولیتی جامد، رسوب لیتیوم فلزی، دمای کوره و ضریب انتقال حرارت جابه جایی ایجاد شد. نتایج نشان داد که افزایش دمای کوره از ۴۱۸ به ۴۵۸ کلوین، دمای بیشینه سلول را از ۱۲/۴۲۲ به ۸۷/۵۸۷ کلوین افزایش داده و زمان رسیدن به دمای بیشینه را از ۲۳۱۶ به ۹۴۲ ثانیه کاهش می دهد. همچنین، افزایش ضریب انتقال حرارت جابه جایی موجب کاهش شدت واکنش های گرمازا و بهبود پایداری حرارتی سلول شد. مدل شبکه عصبی حافظه بلند کوتاه مدت عملکرد بسیار مطلوبی در پیش بینی تاریخچه زمانی دما از خود نشان داد؛ به طوری که کمترین مقادیر MAE و RMSE به ترتیب ۰۰۰۱/۰ و ۰۰۰۸/۰ و بیشترین مقدار R² و NSE برابر با ۹۹۹۰/۰ به دست آمد. نتایج این پژوهش نشان می دهد که چارچوب پیشنهادی ابزاری قابل اعتماد برای پیش بینی برخط فرار حرارتی و توسعه سامانه های هوشمند مدیریت باتری است.

کلیدواژه ها:

فرار حرارتی ، باتری لیتیوم یون فرسوده ، شبکه عصبی حافظه بلند-کوتاه مدت ، مدل سازی چندفیزیکی ، پیش بینی دما ، مدیریت حرارتی ، هشدار زودهنگام