Physics-informed lithium-ion battery end-of-life prediction model for data-efficient deployment
Jaewook Lee、Seyeong Park、Sangjun Jeon、Seongmin Heo
1. Physics-informed lithium-ion battery end-of-life prediction model for data-efficient deployment
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI/出版社入口；payload 未提供独立 PDF；Crossref 记录 PII 为 S2352152X26044038 |
| 发现来源 | OpenAlex；source URL；Crossref 题录辅助确认 |
| 期刊/会议/平台 | Journal of Energy Storage；Elsevier |
| 发表日期 | OpenAlex：2026-09-20；Crossref created：2026-09-20，正式 published/published-print 卷期为 2026-12；online-first 与卷期日期未能确认 |
| 作者/机构 | Jaewook Lee、Seyeong Park、Sangjun Jeon、Seongmin Heo；payload 机构：Seoul National University、Korea Advanced Institute of Science and Technology、SK Group（South Korea） |
| 通讯作者 | Seongmin Heo（OpenAlex corresponding_authors；出版社页面未能复核） |
| 脚本评分/证据等级 | 93；摘要级。主要命中 EOL/寿命预测、physics-informed、Gaussian process、数据集和 Journal of Energy Storage |
| 核验路径 | pdf_url 未提供 → DOI/url 入口 web_extract 失败 → DOI/出版社正文未获取；使用 OpenAlex 结构化摘要和 Crossref 题录核验 |
纳入理由与原文证据
- 主题/边界： 标题直接以 lithium-ion battery EOL prediction 为目标，且框架针对部署阶段的数据效率，属于寿命预测核心范围。
- 证据： 摘要称模型可“from its operating conditions (OCs) alone, without any cycling data”预测新电芯 EOL；相对 RBF kernel，合成与真实数据的 RMSE 分别下降 46.6% 和 60.8%。DOI
数据集/电池体系
- 体系/数据： 一个由 pseudo-two-dimensional 模型生成的 LCO/Graphite 合成数据集，以及 NCM/Graphite + SiO 真实数据集；具体电芯数量、采样规模和原始传感器字段未说明。
- 工况/跨域： 重点变量是充电 C-rate、环境温度和 DOD，并考虑它们的交互；摘要未说明工况网格、训练/测试划分和跨电芯覆盖。
EOL/RUL/SOH 定义
- 目标/定义： 输出 nominal EOL，模型从运行条件预测寿命终点；EOL 容量阈值、RUL 单位、标签生成方式和是否按电芯独立标注未说明，不能自行假定为 80% SOH。
- 未来信息风险： 部署时不使用循环数据是优点，但需检查训练阶段的操作条件和 EOL 标签是否按真实可用信息构造，以及合成数据生成和真实数据测试是否存在分布信息泄漏。
模型方法
- 流程： 充电倍率/温度/DOD → 针对各运行条件设计物理启发 kernel → 乘法组合表达单因素与交互降解 → Gaussian process regression 输出 EOL。对照至少包括 conventional RBF kernel。
- 部署： 摘要明确强调只依赖 operating conditions、无需 cycling data；传感器最低配置、在线计算、更新频率和不确定性输出未能确认。
验证设计
- 划分/泛化： 在合成 LCO/Graphite 与真实 NCM/Graphite+SiO 两类数据上验证，但未能确认按电芯、工况或时间留出，也未确认外部独立测试。
- 可信度： 中等、信息不足。摘要给出跨两类数据的相对改善，然而关键划分和基线细节必须通过全文复核。
指标与结果
- 摘要报告：RMSE 相对 RBF 在合成/真实数据分别降低 46.6%/60.8%；MAPE 分别降低 17.1%/61.6%。绝对误差单位和测试集样本量未能确认。
- 结果属于点预测误差比较；Gaussian process 的后验不确定性、区间覆盖率和校准结果未说明，脚本评分不是实验结果。
泄漏风险、复现性与局限性
- 泄漏风险： 信息不足；重点检查 kernel 参数、归一化和 operating-condition 组合是否只使用训练数据，以及合成数据与真实数据的迁移是否提前暴露测试分布。
- 复现性： 信息不足。摘要提供了模型思想、两类体系和相对指标，但未确认代码、完整数据、超参数和随机种子。
- 局限性： ① 只从摘要确认实验；② EOL 阈值、样本规模和划分未知；③ 运行条件到真实 BMS 测量和跨化学体系部署之间仍有验证缺口。
是否值得跟进
- 结论： 强烈跟进。
- 理由与下一步： 这是本批最直接的数据高效 EOL 预测候选，适合与 data-driven RUL 模型作“仅运行条件输入”的对照。下一步获取 PDF，补齐 EOL 定义、跨电芯划分、GP 区间校准和代码/数据可用性。
查看关键词分类依据
- EOL / cycle life prediction · 摘要包含「eol」
Accurate prediction of the end-of-life (EOL) is essential for safe and efficient deployment of lithium-ion batteries. While - PINN / physics-informed · 标题包含「physics-informed」
Physics-informed lithium-ion battery end-of-life prediction model for data-efficient deployment - Gaussian Process · 摘要包含「gaussian process」
s-informed EOL prediction framework based on Gaussian process regression. Once trained on a labeled dataset, the model predicts the EOL of a - Hybrid model · 摘要包含「prediction framework」
this study introduces a physics-informed EOL prediction framework based on Gaussian process regression. Once trained on a labeled dataset, the mo - ECM / electrochemical model · 摘要包含「electrochemical」
nominal cell specifications. To incorporate electrochemical insights, novel kernel functions are proposed for each OC, including an empiric - Empirical degradation model · 摘要包含「empirical」
tions are proposed for each OC, including an empirical polynomial formulation for estimating the temperature at which EOL is maximized - Li-ion / LIB · 标题包含「lithium-ion」
Physics-informed lithium-ion battery end-of-life prediction model for data-efficient deployment