A closed-loop degradation-aware self-healing battery framework for ultra-long-duration energy storage
Binggui Lu、Manisha Sagar Pawar、Budigi Prabhaka、Simranjeet Nanda、Tusha、Kasturi Pohini、Yagna B. Adhyaru
3. A closed-loop degradation-aware self-healing battery framework for ultra-long-duration energy storage
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI/出版社页面；页面可读摘要与参考文献；未取得 PDF 链接 |
| 发现来源 | source_history: OpenAlex；DOI 来源 URL |
| 期刊/会议/平台 | Energy Storage and Conversion；Academic Publishing/OJS 页面 |
| 发表日期 | 2026-09-02；来自 payload/OpenAlex；出版社页面未显示可核对的具体发表日 |
| 作者/机构 | Binggui Lu、Manisha Sagar Pawar、Budigi Prabhaka、Simranjeet Nanda、Tusha、Kasturi Pohini、Yagna B. Adhyaru；页面列出 Shinawatra University、Vishwakarma Institute of Technology、Noida International University、Chitkara University、Quantum University、Anurag University、Gokul Global University |
| 通讯作者 | 通讯作者：未能确认；可访问页面未明确标注 |
| 脚本评分/证据等级 | 63；命中 lithium-ion、RUL/cycle life/capacity fade、physics-informed、hybrid、open access；摘要级 |
| 核验路径 | pdf_url：payload 未提供 → URL/DOI：web_extract 成功取得出版社页面与摘要 → 正文/PDF：未提供或未成功取得 |
纳入理由与原文证据
- 主题/边界： 直接讨论电池退化、cycle life、capacity fade 和 adaptive RUL prediction，属于寿命预测；自修复电极是辅助干预机制，不能把材料耐久性自动等同于预测能力。
- 证据： 摘要描述 composite core-shell electrode、reversible self-healing matrix、embedded multi-modal sensing 与 physics-informed hybrid predictive model；并报告 1,000 cycles 后容量保持率由 68% 升至 86%、RUL error rate 由 18.4% 降至 6.7%。出版社摘要
数据集/电池体系
- 体系/数据： 主题为 lithium-ion 与 ultra-long-duration storage；可访问摘要明确是 representative operation 下的 simulation，不是可确认的实测电芯/公开数据集。样本数量、化学体系细节和参数来源未说明。
- 工况/跨域： 摘要提到机械应力、阻抗、温度和容量等多模态量；具体温度、倍率、SOC、充放电协议和跨电芯覆盖未说明。
EOL/RUL/SOH 定义
- 目标/定义： 目标涉及 capacity degradation、cycle life 与 adaptive RUL；EOL 阈值、RUL 单位、误差定义和标签生成方式未能确认。2100/1200 cycles 是模拟寿命比较，不是已验证的商业电池寿命。
- 未来信息风险： 需检查自修复触发器和预测器是否使用完整退化轨迹、未来容量或后验阻抗；摘要没有给出时间因果边界。
模型方法
- 流程： 复合核壳电极/可逆自修复基体 + 多模态 sensing → 退化检测与自修复 → physics-informed hybrid model → adaptive RUL prediction；具体方程、baseline 和消融未说明。
- 部署： 闭环概念有工程吸引力，但传感器布置、控制延迟、计算资源、在线更新和安全约束未能确认。
验证设计
- 划分/泛化： 摘要只确认 representative simulations 与传统锂离子电极对比，以及 10 次 simulation runs 的统计分析；没有独立实验、公开数据或跨电芯测试证据。
- 可信度： 中低。摘要结果数字较完整，但模拟设定与参数可追溯性不足。
指标与结果
- 模拟 cycle life 1,200→2,100 cycles；1,000 cycles 后 capacity retention 68%→86%；impedance increase 约降低 40%。
- capacity fade rate 1.8%→0.9%/100 cycles，RUL error rate 18.4%→6.7%；10 次运行的 paired t-test 报告 p<0.001。上述均为摘要数字，未独立复现。
泄漏风险、复现性与局限性
- 泄漏风险： 信息不足；中风险待审计。需要追踪模拟参数、预测标签和自修复控制是否共享未来状态。
- 复现性： 低；摘要给出若干结果和 10 次运行，但未确认模型文件、参数表、代码、seed 或可下载数据。
- 局限性： ①纯模拟证据不能证明真实电芯收益；②自修复材料与预测模型的贡献未拆分；③EOL/RUL 定义和外部验证缺失。
是否值得跟进
- 结论： 观望。
- 理由与下一步： 闭环方向值得追踪，但不应据摘要数字调整实际寿命模型。下一步获取全文/补充材料，要求参数来源、独立实验、self-healing 与 predictor 消融及明确 RUL 误差定义。
查看关键词分类依据
- RUL prediction · 摘要包含「remaining useful life」
estricts the performance, dependability, and remaining useful life (RUL) predictability of such devices. Current methods tend to emphasize either - EOL / cycle life prediction · 摘要包含「cycle life」
l durability and prediction performance. The cycle life of the battery has been extended to 2,100 charge-discharge cycles from 1,200 ch - Capacity fade / trajectory prediction · 摘要包含「capacity fade」
ss increase decreased from 1.00 to 0.62. The capacity fade rate dropped from 1.8% to 0.9% per 100 cycles. Also, the hybrid prediction fram - PINN / physics-informed · 摘要包含「physics-informed」
matrix, embedded multi-modal sensing, and a physics-informed hybrid predictive model. It enables monitoring of mechanical stress, impedance - Generic neural network / deep learning · 摘要包含「data-driven」
to emphasize either material degradation or data-driven prognostic approaches and seldom incorporate the notions of self-healing and in - Hybrid model · 标题包含「closed-loop」
A closed-loop degradation-aware self-healing battery framework for ultra-long-duration energy - ECM / electrochemical model · 摘要包含「electrochemical」
ork demonstrated substantial improvements in electrochemical durability and prediction performance. The cycle life of the battery has been e - Li-ion / LIB · 摘要包含「lithium-ion」
Degradation in lithium-ion batteries employed for ultra-long duration energy storage (LDES) greatly restri