🔬 physics

PINEAPPLE: Physics-Informed Neuro-Evolution Algorithm for Prognostic Parameter Inference in Lithium-Ion Battery Electrodes

تقدم الورقة البحثية إطار عمل PINEAPPLE، وهو إطار عمل مبتكر يجمع بين الشبكات العصبية المستوحاة من الفيزياء والبحث التطوري لتمكين الاستنتاج السريع والدقيق والقوي في الوقت الفعلي لمعلمات أقطاب بطارية الليثيوم أيون الداخلية من منحنيات تفريغ الجهد والزمن فقط، مما يسهل تشخيصات حالة الصحة غير التدميرية لأنظمة إدارة البطاريات من الجيل التالي.

المؤلفون الأصليون: Karkulali Pugalenthi, Jian Cheng Wong, Qizheng Yang, Pao-Hsiung Chiu, My Ha Dao, Nagarajan Raghavan, Chinchun Ooi

نُشر 2026-02-23

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Karkulali Pugalenthi, Jian Cheng Wong, Qizheng Yang, Pao-Hsiung Chiu, My Ha Dao, Nagarajan Raghavan, Chinchun Ooi

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أن لديك هاتفًا ذكيًا عالي التقنية، ولكن بدلاً من الشاشة، يحتوي على بطارية "صندوق أسود" في الداخل. يمكنك رؤية جهد البطارية (كمية "الطاقة" المتبقية)، لكن لا يمكنك رؤية ما يحدث داخل خلايا البطارية. هل يتحرك الليثيوم ببطء؟ هل المادة تتشقق؟ هل البطارية تمرض؟

في الوقت الحالي، لمعرفة ذلك، سيتعين عليك تفكيك البطارية (اختبار تدميري) أو الانتظار حتى تنفد تمامًا. هذا يشبه محاولة تشخيص نوبة قلبية عبر الانتظار حتى يتوقف المريض عن التنفس.

تقدم هذه الورقة البحثية PINEAPPLE (خوارزمية التطور العصبي المستندة إلى الفيزياء لاستنتاج المعلمات التنبؤية في أقطاب بطاريات الليثيوم أيون). فكر في PINEAPPLE على أنها ماسح ضوئي طبي ذكي وغير جراحي للبطاريات.

إليك كيف تعمل، مقسمة إلى مفاهيم بسيطة:

1. المشكلة: لغز "الصندوق الأسود"

تتدهور البطاريات بمرور الوقت. نحن نعلم أنها تسوء، لكننا عادةً ما نرى الأعراض فقط (ينخفض الجهد بشكل أسرع). نحن لا نعرف السبب داخل هذا المزيج الكيميائي.

الطريقة القديمة: استخدام معادلات رياضية معقدة (الفيزياء) لتخمين ما يوجد بالداخل. إنها دقيقة ولكنها تستغرق وقتًا طويلاً جدًا للحساب — وهي بطيئة جدًا لتكون تطبيقًا في الوقت الفعلي على هاتفك.
الطريقة الجديدة (المعتمدة على البيانات فقط): استخدام الذكاء الاصطناعي للتخمين بناءً على البيانات السابقة. إنها سريعة، لكنها "ذكاء اصطناعي صندوق أسود". قد يصيب التخمين اليوم، ولكن إذا تصرفت البطارية بشكل مختلف قليلاً غداً، فسيصاب الذكاء الاصطناعي بالارتباك لأنه لا يفهم لماذا تعمل البطارية.

2. الحل: "الدماغ الهجين" لـ PINEAPPLE

تجمع PINEAPPLE بين أفضل ما في العالمين: الفيزياء (قواعد كيفية عمل البطاريات يجب أن تعمل) والذكاء الاصطناعي (سرعة التعلم).

فكر في الأمر كتعليم طالب حل لغز:

جزء الفيزياء: أنت تعطي الطالب كتاب القواعد (قوانين الفيزياء، وتحديدًا كيفية انتشار أيونات الليثيوم عبر مادة تشبه الإسفنج).
جزء الذكاء الاصطناعي: أنت تعطي الطالب دماغًا فائق السرعة يمكنه النظر إلى لغز وتخمين الحل فورًا.

تقوم PINEAPPLE بتدريب هذا الدماغ الاصطناعي باستخدام طريقة تسمى التعلم الفائق (Meta-Learning). تخيل أنك تدرب طباخًا؛ بدلاً من تعليمه كيفية طهي طبق واحد محدد، أنت تعلمه التقنيات الأساسية للطهي بشكل جيد جدًا بحيث يمكنه فورًا طهي أي طبق جديد لم يره من قبل.

النتيجة: تستطيع PINEAPPLE النظر إلى منحنى جهد البطارية والتنبؤ فورًا بالحالة الكيميائية الداخلية (مثل سرعة حركة الليثيوم) دون الحاجة إلى إجراء حسابات ثقيلة وبطيئة. إنها أسرع بـ 10 مرات من الطرق التقليدية.

3. خطوة "التطور": إيجاد الحقيقة الخفية

هذا هو الجزء الصعب. لا يمكنك رؤية داخل البطارية. أنت ترى فقط منحنى الجهد من الخارج. هذا يشبه محاولة تخمين مكونات الحساء بمجرد تذوق المرق. يمكن لمجموعات مختلفة من المكونات أن تعطي نفس الطعم. تُعرف هذه بـ "المشكلة سيئة التحديد" (Ill-posed problem).

لحل هذه المشكلة، تستخدم PINEAPPLE خوارزمية تطورية.

التشبيه: تخيل غرفة مليئة بـ 20 طباخًا (مجموعة سكانية). كل طباخ يخمن وصفة مختلفة (مجموعة من معلمات البطارية الداخلية) لتفسير طعم الحساء (منحنى الجهد).
الانتخاب الطبيعي: الطهاة الذين تنتج وصفاتهم حساءً يقترب طعمه أكثر من منحنى الجهد الحقيقي هم من "ينجون" ويقومون بنقل وصفتهم إلى الجيل التالي. أما الآخرون فيتم استبعادهم.
الطفرة: يقوم الطهاة الناجون بتعديل وصفاتهم قليلاً (ربما رشة ملح إضافية، أو قليل من الفلفل بدلاً من الكثير) ويحاولون مرة أخرى.
النتيجة: بعد بضع جولات (أجيال)، تتقارب المجموعة نحو الوصفة الأكثر احتمالاً التي تفسر طعم الحساء.

في الورقة البحثية، يحدث هذا في ثوانٍ معدودة. إنها تجد المعلمات الداخلية الخفية (مثل معامل الانتشار، وهو ببساطة "مدى سرعة حركة الليثيوم") التي تفسر سلوك البطارية بأفضل شكل.

4. ماذا اكتشفوا؟

اختبر الفريق PINEAPPLE على بطاريات حقيقية من قاعدة بيانات عامة (CALCE). راقبوا البطاريات وهي تتقادم عبر مئات الدورات.

الأنود (الجانب السالب): وجدوا أن "الحد الأقصى للسرعة" لحركة الليثيوم عبر الأنود يتباطأ بشكل مستمر ومتوقع. هذا يشبه طريقًا سريعًا تزداد فيه الاختناقات المرورية بمرور الوقت. وهذا يطابق ما يعرفه العلماء بالفعل (طبقة تسمى SEI تنمو وتغلق المسار).
الكاثود (الجانب الموجب): كانت القصة هنا أكثر تعقيدًا. أحيانًا كانت السرعة تتباطأ، وأحيانًا أخرى كان الهيكل يصبح فوضويًا. لم يكن الخط مستقيمًا.
الفوز الكبير: لأن PINEAPPLE تفهم الفيزياء، لم تكتفِ بالقول "البطارية بصحة 80%"، بل قالت: "البطارية بصحة 80% لأن الأنود يتعرض للانسداد، بينما الكاثود لا يزال بخير".

لماذا يهم هذا الأمر؟

هذا يعد تحولًا جذريًا لأنظمة إدارة البطارية (BMS) — وهو الكمبيوتر الذي يدير بطارية سيارتك الكهربائية أو هاتفك.

غير تدميري: لا يتعين عليك تفكيك البطارية لمعرفة حالتها الصحية.
في الوقت الفعلي: هي سريعة بما يكفي لتعمل على الكمبيوتر الموجود داخل سيارتك أثناء قيادتك.
قابل للتفسير: يخبرك لماذا تفشل البطارية، وليس فقط أنها تفشل. وهذا يسمح باستراتيجيات شحن أذكى (على سبيل المثال: "لا تشحن هذه البطارية بسرعة اليوم لأن الأنود مسدود") لإطالة عمرها.

باختًا: PINEAPPLE هي محقق ذكي ومدرك للفيزياء، ينظر إلى "العلامات الحيوية" للبطارية (الجهد)، ويستخدم دماغًا اصطناعيًا فائق السرعة لفهم قواعد الكيمياء، ويستخدم بحثًا تطوريًا لمعرفة ما يحدث بالضبط داخل "أعضاء" البطارية، كل ذلك في جزء من الثانية. إنها تحول الصندوق الأسود إلى نافذة شفافة.

1. بيان المشكلة

يعد التقدير الدقيق، واللحظي، وغير المدمر للحالات الكهروكيميائية الداخلية لبطاريات الليثيوم أيون (Li-ion) أمراً بالغ الأهمية للتنبؤ بالتدهور، وتحسين الاستخدام، وتمديد العمر الافتراضي. ومع ذلك، تواجه الأساليب الحالية قيوداً كبيرة:

الأسالط المعتمدة على البيانات فقط: رغم مرونتها، إلا أنها غالباً ما تفتقر إلى التفسير الميكانيكي، وتواجه صعوبة في التعميم عبر ظروف التشغيل المختلفة، وغالباً ما تستبعد المعلمات الفيزيائية الداخلية الحرجة (مثل معاملات الانتشار) بسبب صعوبة قياسها مباشرة.
النماذج القائمة على الفيزياء (مثل نموذج الجسيم الواحد - SPM): توفر تفسيراً عالياً، لكنها مكلفة حاسوبياً، مما يجعلها غير مناسبة للتنفيذ الفوري على متن الأجهزة. علاوة على ذلك، تتطلب معايرة مكثفة للمعلمات، وهو أمر صعب نظراً للتباين بين البطاريات والطبيعة "سيئة التحديد" (ill-posed) لاستنتاج الحالات الداخلية من قياسات الجهد-الزمن (V-t) الكلية (حيث يمكن لمجموعات متعددة من المعلمات أن تنتج منحنيات جهد متشابهة).

يتمثل التحدي الجوهري في تطوير إطار عمل يتيح استنتاجاً سريعاً، وقابلاً للتوسع، ومفسراً للمعلمات الداخلية للبطارية (مثل معاملات الانتشار) حصرياً من منحنيات تفريغ الجهد-الزمن، دون الحاجة إلى اختبارات مدمرة أو معايرة دقيقة خاصة بالمواد.

2. المنهجية: إطار عمل PINEAPPLE

يقترح المؤلفون PINEAPPLE (خوارزمية التطور العصبي المستندة إلى الفيزياء للاستنتاج التنبئي لمعلمات أقطاب بطاريات الليثيوم أيون)، وهو إطار عمل هجين يدمج الشبكات العصبية المستندة إلى الفيزياء (PINNs) مع خوارزمية بحث تطورية.

أ. النموذج الفيزيائي الأساسي

يستخدم إطار العمل نموذج الجسيم الواحد (SPM)، وهو نموذج مبني على المبادئ الأولى يصف انتشار أيونات الليثيوم داخل جزيئات الأقطاب الكروية عبر قانون فيك للانتشار. يتم حساب الجهد النهائي بناءً على التركيزات السطحية والجهد الزائد. ولمعالجة التباين في العالم الحقيقي ونقص بيانات المواد الدقيقة، يقدم النموذج عوامل قياس ( $\eta$ ) للمعلمات الرئيسية:

معاملات الانتشار ( $D_p, D_n$ ) للقطب الموجب (الكاثود) والقطب السالب (الأنود).
معامل المركب الهندسي ( $G_p$ ).
التركيز الأقصى لليثيوم ( $c_{max,p}$ ).

ب. التعلم التلوي خارج الخط (PINEAPPLE-pretrain)

للتغلب على البطء في التقارب وضعف التعميم في شبكات PINNs القياسية، يستخدم المؤلفون استراتيجية التطور البالدويني (Baldwinian Neuro-Evolution) لتدريب شبكة LE-PINN الكهروكيميائية لليثيوم أيون:

البنية: شبكة ضحلة ذات طبقة مخفية واحدة تستخدم دوال تنشيط سلسة (sin, silu, tanh).
عملية التدريب: تقوم حلقة تطورية خارجية بتحسين توزيع الأوزان للطبقات المخفية غير الخطية. بينما تقوم حلقة داخلية بعملية ضبط دقيق مستند إلى الفيزياء للطبقة الخطية النهائية فقط باستخدام نهج تنظيم تيكونو (المعكوس الزائف).
الميزة: يسمح هذا للنموذج بتعلم "تمثيل تلوي" لفيزياء الـ SPM. بمجرد التدريب المسبق، يمكن لـ LE-PINN إجراء تنبؤات صفرية (zero-shot predictions) للظروف الفيزيائية الجديدة (معاملات انتشار مختلفة، إلخ) من خلال حل نظام خطي بسيط، مما يحقق تسريعاً بمقدار مرتبة عشرية (10 أضعاف) مقارنة بالمحللات العددية التقليدية مثل PyBaMM مع الحفاظ على دقة عالية (أقل من 0.1% خطأ).

ج. الاستنتاج اللحظي (PINEAPPLE-inference)

تستنتج مرحلة الاستنتاج عوامل القياس ( $\eta$ ) المعتمدة على الدورات من منحنيات V-t الواقعية:

التحسين: تتم صياغة المشكلة كبحث عكسي لتقليل مربع الخطأ بين منحنى V-t المقاس ومنحنى V-t المتوقع من LE-PINN.
الخوارزمية: تُستخدم استراتيجية تكيف مصفوفة التغاير (CMA-ES). وبما أنها خوارزمية خالية من التدرج وتعتمد على المجموعات السكانية، فهي تتعامل بفعالية مع الطبيعة سيئة التحديد للمشكلة، متجنبة النقاط الدنيا المحلية.
السرعة: تستغرق عملية الاستنتاج بأكملها (50 جيلاً، حجم سكان 20) أقل من 5 ثوانٍ على وحدة معالجة رسومات (GPU) قياسية.

3. المساهمات الرئيسية

إطار عمل مبتكر: تقديم PINEAPPLE، الذي يجمع بين الـ PINNs المتعلمة تلويًا والبحث التطوري للاستنتاج غير المدمر واللحظي للمعلمات الكهروكيميائية الداخلية.
التعلم التلوي البالدويني: تطوير LE-PINN عالي القدرة على التعميم يحقق تنبؤات متسقة فيزيائياً و"صفرية" لديناميكيات تركيز الأقطاب بسرعة تزيد بمقدار 10 أضعاف عن PyBaMM.
الاستنتاج العكسي القوي: صياغة مشكلة استنتاج المعلمات كبحث تطوري عبر عوامل قياس ذات معنى فيزيائي، مما يلغي الحاجة إلى معايرة خاصة بكل بطارية.
التحقق من الواقع: إثبات قدرة إطار العمل على استعادة اتجاهات تدهور متسقة ومنطقية فيزيائياً (مثل تطور معامل الانتشار) باستخدام مجموعة بيانات CALCE المفتوحة (بطاريات LCO-Graphite) دون معرفة مسبقة بمواد الأقطاب.

4. النتائج الرئيسية

دقة التنبؤ: حققت LE-PINN أخطاء نسبية بلغت $2.78 \times 10^{-4}$ (للقطب الموجب) و $1.29 \times 10^{-3}$ (للقطب السالب) في مهام الاختبار خارج العينة، وهي نتائج تضاهي المحللات العددية ذات الشبكات الدقيقة.
الكفاءة الحسابية: زمن استنتاج LE-PINN هو ~5.6 مللي ثانية لكل حالة، مقارنة بـ ~57 مللي ثانية لـ PyBaMM (على CPU)، مما يمثل تسارعاً بمقدار 10 أضعاف.
استنتاج المعلمات: عند تطبيقه على أربع خلايا من بطاريات CALCE (CX2-34, 36, 37, 38)، نجح إطار العمل في تتبع تطور عوامل القياس عبر مئات الدورات.
- الأنود ( $\eta_{Dn}$ ): أظهر انخفاضاً مستمراً وأحادي الاتجاه، وهو ما يرتبط بآلية نمو طبقة الواجهة الكهرلية الصلبة (SEI) التي تعيق نقل أيونات الليثيوم.
- الكاثود ( $\eta_{Dp}$ ): أظهر تطوراً ثلاثي المراحل (مستقر، تراجع، تشبع)، مما يشير إلى آليات تدهور معقدة ومتعددة المراحل.
- الارتباط: أظهرت المعلمات المستنتجة ارتباطاً قوياً مع تلاشي سعة التفريغ، لا سيما $\eta_{Dn}$ و $\eta_{cmax,p}$ .
تحليل الحساسية: كشفت الدراسة أن قابلية تحديد المعلمات تعتمد على الحالة. مع تدهور البطارية (انخفاض معاملات الانتشار)، يصبح منحنى الجهد أقل حساسية لمعلمات القطب الموجب، مما يؤدي إلى زيادة التباين في القيم المستنتجة للدورات اللاحقة.

5. الأهمية والآفاق المستقبلية

نظام إدارة البطارية (BMS) المدرك للفيزياء: يقدم PINEAPPLE مساراً لأنظمة إدارة بطاريات "مدركة للفيزياء" لا توفر فقط تقديرات حالة الصحة (SoH)، بل تقدم أيضاً رؤى ميكانيكية حول سبب تدهور البطارية (مثل التمييز بين فقدان النقل في الأنود أو الفشل الهيكلي للكاثود).
القابلية للتوسع: إطار العمل مستقل عن النموذج. بينما يستخدم حالياً SPM، يمكن توسيعه لنماذج أكثر تعقيداً (P2D, DFN) أو كيمياويات مختلفة (مثل LFP) عن طريق إعادة تدريب المتعلم التلوي.
القابلية للتطبيق اللحظي: يجعل زمن الاستنتاج الذي يقل عن الثانية من الإطار قابلاً للتنفيذ على متن الأجهزة، مما يسمح بالتحكم التكيفي والتشخيص على مستوى الخلية الفردية في حزم البطاريات.
ما وراء البطاريات: المنهجية الأساسية (PINNs + التحسين التطوري) قابلة للتطبيق على الأنظمة الفيزيائية المعقدة الأخرى حيث تكون الحالات الداخلية غير قابلة للملاحظة (مثل خلايا الوقود، أو مراقبة السلامة الهيكلية).

القيود: هذه الدراسة هي إثبات مفهوم باستخدام بطاريات LCO-Graphite ونموذج SPM. وهي لا تدرس صراحة ديناميكيات الإلكتروليت، أو التأثيرات الحرارية، أو مقاومة SEI، والتي يتم استيعابها في المعلمات المستنتجة "الفعالة". يهدف العمل المستقبلي إلى دمج هذه التعقيدات والتحقق من صحة الإطار على ملفات تحميل أكثر تنوعاً وعشوائية.