GNN-Based Degradation Model Development for an NMC Li-Ion Battery
Diego del Barrio González、Alex Roig Fornes、Maitane Berecibar、Md Sazzad Hosen
论文卡片 2
基本信息
- 标题：GNN-Based Degradation Model Development for an NMC Li-Ion Battery
- DOI/URL：https://doi.org/10.3390/en19143228
- 期刊/会议/预印本平台：Energies
- 发表日期：2026-07-08
- 作者和机构：Diego del Barrio González, Alex Roig Fornes, Maitane Berecibar, Md Sazzad Hosen；机构未能从可访问内容确认
- 通讯作者：未能确认
- 脚本评分：71
- 期刊指标核验：未核验
纳入理由和命中证据
- 摘要明确：“Accurate state-of-health (SoH) prediction is vital…”；提出 graph neural network-based deep learning framework 预测 commercial NMC lithium-ion technology 的 SoH。
- 检索结果片段进一步显示 developed model trained/evaluated using data from 16 individual NMC cells。
创新点
- 将 GraphSAGE 形式的图神经网络与 CNN/LSTM 模块结合，试图同时捕捉局部结构关系和时间退化模式。
主要内容
- 使用 in-house experimental aging dataset 提取 health indicators。
- 训练/验证跨 diverse operating conditions 的 SOH 预测模型。
模型架构/方法流程
- Graph neural network / GraphSAGE + CNN + LSTM 混合架构。
- 具体图构造方式、节点/边定义、训练细节未能从可访问页面确认。
输入特征与输出目标
- 输入：health indicators（具体维度未能确认）。
- 输出：SOH。
数据来源/数据结构/电池类型/循环协议
- 电池体系：NMC Li-ion。
- 数据来源：自建实验老化数据集；搜索片段显示 16 individual NMC cells。
- 循环协议/温度/倍率：未能从可访问内容确认。
结果指标
- R² = 0.989；MSE = 3.23 × 10^-6。
Baseline/对比方法
- 未能从可访问摘要/元数据确认。
泄漏风险/局限性/复现性
- 泄漏风险：信息不足。需看全文确认是否按 cell split、工况 split 或随机片段 split。
- 局限性：MDPI 页面和 DOI 抓取失败/403，当前无法确认数据规模、协议、baseline 与外部验证。
- 复现性：信息不足；代码/数据开放情况未确认。
对哥哥研究/落地的启发和后续动作
- 建议优先补全文，重点看图构造是否真正利用电池间/循环间拓扑信息，还是把时序特征包装成图。
- 若有跨工况验证，可加入 GNN 类 SOH 预测候选方法库。
查看关键词分类依据
- SOH estimation · 摘要包含「soh」
Accurate state-of-health (SoH) prediction is vital for safe and efficient battery management, enabling extend - GNN / graph modeling · 标题包含「gnn」
GNN-Based Degradation Model Development for an NMC Li-Ion Battery - LSTM · 摘要包含「lstm」
l networks (CNN) and long short-term memory (LSTM) blocks, capturing both local structural relationships and temporal patterns in - CNN · 摘要包含「cnn」
aphSAGE) with convolutional neural networks (CNN) and long short-term memory (LSTM) blocks, capturing both local structural rela - Generic neural network / deep learning · 摘要包含「neural network」
nergy storage systems. In this work, a graph neural network-based deep learning framework is proposed to predict the SoH of a commercial ni - Hybrid model · 摘要包含「hybrid」
bjected to diverse operating conditions. The hybrid architecture combines graph neural networks (GraphSAGE) with convolutional neur - Self-built / experimental dataset · 摘要包含「experimental」
icators obtained from the in-house-generated experimental aging dataset are used to train and validate the model across batteries subject - Li-ion / LIB · 标题包含「li-ion」
sed Degradation Model Development for an NMC Li-Ion Battery - NMC · 标题包含「nmc」
N-Based Degradation Model Development for an NMC Li-Ion Battery