Bayesian neural networks with physics-based priors for robust battery health assessment

1. Bayesian neural networks with physics-based priors for robust battery health assessment

标题：Bayesian neural networks with physics-based priors for robust battery health assessment
DOI/URL：https://doi.org/10.1038/s41598-026-63104-y
期刊/会议/预印本平台：Scientific Reports
发表日期：2026-07-23
作者和机构：Jokin Alcibar、Aitor Aguirre-Ortuzar（Mondragon University）；Ekhi Zugasti、Jose I. Aizpurua（University of the Basque Country/UPV/EHU，Aizpurua 亦属 Ikerbasque）；Chetan S. Kulkarni（KBR, NASA Ames Research Center）；Juan Fernandez（Quantia Ingeniería y Consultoría S.L.）。
通讯作者：Jokin Alcibar（Nature 页面明确 correspondence to Jokin Alcibar）
脚本评分：83

纳入理由和命中证据：题目和摘要均明确指向 lithium-ion batteries 的 health assessment / prognostics；摘要称方法用于可靠、uncertainty-aware 的电池健康预测，并在 NASA 与 Wenzhou pack degradation 数据上评估。

创新点：把电化学仿真得到的物理先验嵌入 Bayesian Neural Network 的变分推断目标，通过 KL divergence 项实现物理一致性正则；重点不是单纯点预测，而是 posterior predictive distribution 与不确定性量化。

主要内容：面向数据驱动模型缺少解释性/可靠不确定性、物理模型依赖精确参数且泛化有限的问题，提出物理先验 BNN 框架，在 cell 与 pack 两类尺度数据上验证健康预测能力。

模型架构/方法流程：可访问页面确认是 Bayesian Neural Network，物理先验来自 electrochemical battery simulations，并通过 variational objective 中的 KL divergence 项注入。具体网络层数、输入窗口、训练细节未能从已抓取页面确认。

输入特征与输出目标：未能从可访问内容确认具体输入特征；输出为 battery health prognostics/health assessment 的预测分布。

数据来源/数据结构/电池类型/循环协议：NASA battery dataset；Wenzhou Pack Degradation dataset。摘要称覆盖 diverse discharge profiles、operating conditions、battery scales；具体电池化学体系和循环协议未能从可访问内容完全确认。

结果指标：摘要称在预测准确性、概率校准、鲁棒性上相对 standard BNN conventional priors 和 state-of-the-art physics-guided Bayesian approaches 有持续改进；具体 MAE/RMSE/校准指标数值未在已抓取内容中确认。

Baseline/对比方法：standard BNNs with conventional priors；state-of-the-art physics-guided Bayesian approaches。

泄漏风险/局限性/复现性：页面可确认开放获取与补充材料链接，但抓取到的主体主要为摘要/作者信息，缺少训练/切分细节；需要下载 PDF/补充材料后核验是否存在同电池跨周期随机切分、是否有跨 pack 外推测试，以及物理先验是否由目标测试条件间接生成。

对哥哥研究/落地的启发和后续动作：适合借鉴“物理先验作为 Bayesian regularizer”思路，用在哥哥现有 SOH/RUL 模型的不确定性校准；建议后续重点复核指标表、先验生成流程和代码/补充材料。