Physics-Informed Neural Networks with Double-Exponential Model for Battery State-of-Health Forecasting

5. Physics-Informed Neural Networks with Double-Exponential Model for Battery State-of-Health Forecasting

论文基本信息

字段	内容
DOI/URL/PDF	Springer DOI文章页；Crossref记录的PDF链接本次返回HTML而非PDF。
发现来源	Crossref；source_history=Crossref。
期刊	Journal of Electrical Engineering & Technology，Springer Nature。
发表日期	2026-10-16首发，Crossref的published-online及文章历史一致；Crossref还列收到4月2日、修订8月23日、接收10月11日。
作者/机构	Tran Thanh Trang、Tran Nhut Tam；Crossref未列机构。
通讯作者	未能确认。
脚本评分/证据等级	54；题名与题录直接指向电池SOH forecasting，并含physics-informed、double-exponential关键词；元数据级。
核验路径	依次尝试Springer PDF、文章页及DOI；PDF端点实际返回HTML、页面提取失败，最后以Crossref DOI元数据核对题名、作者、期刊和首发日期。没有读取摘要或全文。

纳入理由与原文证据

• 主题/边界： 出版题名明确是电池SOH forecasting，符合SOH预测边界；目前只能确认题名级目标，不能由此推断实验结论。
• 证据： Crossref于2026-10-16登记为在线发表，题名含“Physics-Informed Neural Networks with Double-Exponential Model”；见DOI元数据。
• 纳入边界： 这是报告日前一日刚登记的期刊论文；本次只按题名直指SOH预测纳入，不代表其模型已证实有效、优于基线或适于部署。

数据集/电池体系

• 体系/数据： 题名泛称battery；具体化学体系、数据集、样本量、公开/自建属性均未能确认。
• 工况/跨域： 温度、倍率、充放电协议、按电芯或批次的覆盖范围均未能确认。

EOL/RUL/SOH 定义

• 目标/定义： 题名确认SOH forecasting；SOH物理定义、预测时域、标签和EOL阈值未能确认；没有证据表明直接输出RUL/EOL。
• 未来信息风险： 因摘要与全文均未读取，窗口截断、测试集隔离、归一化和超参数选择风险全部未知。

模型方法

• 流程： 只能确认题名自述physics-informed neural networks与double-exponential model；二者如何耦合、物理方程、输入特征、输出形式和基线均未能确认。因文章页/PDF未取得摘要，不对双指数方程的物理意义或试验流程作推测。
• 部署： 未能确认任何BMS部署、计算资源或实时性信息。

验证设计

• 划分/泛化： 数据、训练/测试划分、跨电芯/工况验证及外部测试均未能确认。
• 可信度： 信息不足；同行评审期刊及DOI、online日期可核验，科学内容仅元数据级。

指标与结果

• 本次未取得摘要或全文；MAE、RMSE、MAPE、SOH百分比误差及对照结果均未能确认，不从题名补造。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；需检查双指数拟合是否使用测试期数据、物理约束参数是否仅由训练集估计、以及跨电池划分。
• 复现性： 信息不足；本次未能读取代码、数据、超参数或补充材料。
• 局限性： ①仅有出版元数据；②SOH定义与试验设计未知；③当前不足以比较其性能或优先级。

是否值得跟进

• 结论： 观望并补全文。
• 理由与下一步： 主题与题名方法明确，但证据不足以判断贡献。下一轮重试Springer PDF/机构库，并补录数据、切分和实验数字后再作实质评价。