Inverse inference of lithium-ion battery degradation parameters via physical modeling and data-driven machine learning
Chenhang Zheng、Peiheng Lai、Minggang Zeng、Hao Wu、Bharathi Madurai Srinivasan、Xintian Zhang、Yimin A. Wu、Yingbing Lin
2. Inverse inference of lithium-ion battery degradation parameters via physical modeling and data-driven machine learning
论文基本信息
- 标题：Inverse inference of lithium-ion battery degradation parameters via physical modeling and data-driven machine learning
- DOI/URL：https://doi.org/10.1038/s41524-026-02250-3
- 期刊/会议/预印本平台：npj Computational Materials
- 发表日期：2026-07-24
- 作者和机构：Chenhang Zheng、Peiheng Lai、Hao Wu、Xintian Zhang、Ming Yang（The Hong Kong Polytechnic University）；Minggang Zeng、Bharathi Madurai Srinivasan、Man-Fai Ng（A*STAR IHPC）；Yimin A. Wu（University of Waterloo）；Yingbing Lin（Fujian Normal University）。
- 通讯作者：Minggang Zeng、Man-Fai Ng、Ming Yang
- 脚本评分：78
- 期刊指标核验：未核验；脚本期刊分层为 computational materials journal / Q1，不在本次网页核验中额外确认 JIF/JCI/CiteScore/SJR。
- 访问核验：Nature/npj 页面可访问，包含摘要、作者机构、通讯作者、发表日期和 DOI；页面显示为 unedited version/early access。未能从 web_extract 可访问内容确认完整实验表格。
纳入理由和命中证据
- 命中主题：摘要第一句即说明“Accurate prediction of lithium-ion battery degradation is essential for lifetime assessment and safety management”。
- 任务直接相关：使用 physics-informed inverse inference framework 从可观测退化轨迹特征逆推内部 electrochemical aging parameters，服务于 battery health diagnostics and lifetime optimization。
- 与一般材料论文区别：核心不是新材料合成，而是退化参数推断、轨迹重建、不确定性量化和健康诊断。
创新点
- 利用 LIB 两阶段退化行为，把高维退化参数空间压缩到可观测 physical signatures，如 linear-stage slope 与 knee point。
- 将 pseudo-two-dimensional (P2D) physical modeling 与轻量 XGBoost 结合，从宏观轨迹特征映射到 SEI growth、lithium plating 等内部老化参数。
- 声称在 accelerated aging regimes 中提供 uncertainty quantification。
主要内容
- 研究目标：解决纯物理模型计算成本高、参数空间高维，和纯数据驱动模型可解释性不足的问题。
- 方法框架：先用 P2D 模型描述退化，抽取 compact trajectory features，再训练 XGBoost 逆推内部机理参数，并用实验循环数据验证轨迹重建。
- 应用指向：advanced battery health diagnostics 与 lifetime optimization。
模型架构/方法流程
- 方法类别：physics-informed + physical modeling + machine learning。
- 物理模型：P2D/pseudo-two-dimensional electrochemical model。
- 数据驱动模型：XGBoost。
- 流程：退化轨迹观测 → 提取 linear-stage slope、knee point 等两阶段特征 → XGBoost 映射到 SEI growth/lithium plating 等参数 → 通过物理模型重建 degradation trajectories → 输出不确定性。
输入特征与输出目标
- 输入特征：宏观退化轨迹特征，尤其 linear-stage slope 与 knee point；是否包含电压/电流/温度曲线，未能从页面确认。
- 输出目标：内部 electrochemical aging parameters；重建 degradation trajectory；可能间接支持 SOH/lifetime。
- 标签定义：退化参数来自物理建模/实验拟合，具体标签生成细节未能从可访问页面确认。
数据来源/数据结构/电池类型/循环协议
- 电池体系：lithium-ion batteries。
- 数据来源：摘要称 validated against experimental cycling data。
- cell 数、化学体系、温度、倍率、循环协议：未能从可访问页面确认。
- 跨工况验证：摘要提到 accelerated aging regimes 的不确定性量化，但具体 split/holdout 未能确认。
结果指标
- 摘要仅给出定性结果：reconstructs degradation trajectories with high fidelity、drastically reduced computational complexity。
- 具体 MAE/RMSE/R²、参数误差、coverage 或计算加速倍数未能从可访问内容确认。
Baseline/对比方法
- 概念上对比 existing approaches：纯物理模型与纯数据驱动模型。
- 具体 baseline 名称和数值未能确认。
泄漏风险/局限性/复现性
- 泄漏风险：中/信息不足。若 knee point 需要完整寿命轨迹才能识别，则早期预测或在线诊断场景可能有未来信息问题；需要全文确认特征是否在预测时可获得。
- 局限性：可能依赖 P2D 参数先验、仿真覆盖范围和实验数据规模；跨化学体系泛化未知。
- 复现性：信息不足；可访问页面未显示代码/数据链接和完整超参数。
对哥哥研究/落地的启发和后续动作
- 启发：适合做“机理参数作为中间表征”的 SOH/RUL pipeline：从早期容量/电压曲线抽 knee/slope，再约束模型输出退化机理参数，提高解释性。
- 后续动作：优先下载/获取全文，核对是否有公开数据、P2D 参数范围、XGBoost 特征表、UQ 方法和是否能在早期循环预测中使用。
- 跟进结论：强烈跟进。
查看关键词分类依据
- PINN / physics-informed · 摘要包含「physics-informed」
hysical interpretability. Here, we present a physics-informed inverse inference framework that leverages the intrinsic two-stage degradation - Generic neural network / deep learning · 标题包含「data-driven」
adation parameters via physical modeling and data-driven machine learning - Generic machine learning · 标题包含「machine learning」
meters via physical modeling and data-driven machine learning - XGBoost / boosting · 摘要包含「xgboost」
th a lightweight machine learning algorithm (XGBoost) to map these macroscopic trajectory features to internal electrochemical aging - Bayesian · 摘要包含「uncertainty」
omplexity. Furthermore, it uniquely provides uncertainty quantification in accelerated aging regimes. This work bridges the gap between - ECM / electrochemical model · 摘要包含「electrochemical」
macroscopic trajectory features to internal electrochemical aging parameters, such as solid-electrolyte interphase (SEI) growth and lithium - Self-built / experimental dataset · 摘要包含「experimental」
rowth and lithium plating. Validated against experimental cycling data, our framework reconstructs degradation trajectories with high fid - Li-ion / LIB · 标题包含「lithium-ion」
Inverse inference of lithium-ion battery degradation parameters via physical modeling and data-driven machine le