Resumen Técnico: Observabilidad interna de fibra única en baterías de iones de litio

Planteamiento del Problema

Los sistemas de gestión de baterías (BMS) de iones de litio dependen actualmente de un conjunto limitado de observables externos —temperatura superficial, voltaje terminal y corriente— para inferir estados internos de seguridad. Esta "brecha de observabilidad" impide la detección de fenómenos internos críticos, tales como el emplatamiento de litio localizado, la fatiga del separador y los precursores de la fuga térmica, hasta que estos se manifiestan como señales de advertencia externas. En consecuencia, las estrategias de BMS deben operar con márgenes de seguridad conservadores, sacrificando la energía utilizable, la velocidad de carga y la vida útil de los ciclos.

Aunque los sensores de Red de Bragg en Fibra (FBG) embebidos ofrecen una vía directa hacia los estados internos, enfrentan una limitación física fundamental: un desplazamiento de longitud de onda de un solo FBG ($\Delta\lambda_B$) es una medición subdeterminada que conlata temperatura ($\Delta T$) y deformación mecánica ($\varepsilon$). Para los rangos operativos relevantes de las baterías, estas dos contribuciones son de magnitud comparable, lo que hace imposible desacoplarlas mediante métodos algebraicos por sí solos sin introducir hardware complejo o violar las leyes físicas. Los modelos basados en datos existentes suelen fallar al producir reconstrucciones físicamente admisibles, mientras que el desacoplamiento basado en hardware introduce complejidad de empaquetado y concentraciones de esfuerzo.

Metodología: FBG-PhysNet

Los autores proponen FBG-PhysNet, un marco recurrente de doble rama informado por la física, diseñado para resolver el problema de la observabilidad de fibra única en tiempo real. La arquitectura integra tres componentes principales:

1. Núcleo de Doble Rama RWKV-7:

   • El modelo utiliza dos ramas RWKV-7 (Recurrent Weighted K-Vector) parametrizadas independientemente: la Rama A para la estimación térmica y la Rama B para la estimación de deformación.
   • Cada rama consta de 4 capas con una dimensión de modelo ($d_{model}$) de 128 y 4 cabezales de atención.
   • Eficiencia de Memoria: La arquitectura RWKV-7 mantiene un tamaño de estado recurrente fijo de 64 KB por bloque (un total de 512 KB para el estado de doble rama), independiente de la longitud de la secuencia. Esta huella de memoria $O(1)$ permite el despliegue en microcontroladores de grado automotriz (por ejemplo, STM32H7 con 1 MB de SRAM), a diferencia de los modelos basados en Transformers que requieren una memoria que escala con la longitud del contexto.

2. Condicionamiento Q-FiLM:

   • Para abordar la variación de trece veces en la generación de calor electroquímico ($Q_{gen}$) a través de diferentes ciclos de conducción (desde la conducción urbana hasta la carga rápida de 2C), el modelo emplea un módulo Q-FiLM (Modulación Lineal por Características).
   • Este módulo inyecta las estimaciones de $Q_{gen}$ (derivadas del voltaje y la corriente terminales) como vectores de escala y desplazamiento en la representación latente en cada capa. Esto permite que la red adapte su espacio de características dinámicamente al régimen térmico de operación actual sin necesidad de modelos separados para cada tipo de ciclo.

3. Puerta Cruzada (Cross-Gating) y Pérdida de Física de Nueve Términos:

   • Puerta Cruzada (Cross-Gating): Un mecanismo que intercambia información de condiciones de contorno entre las ramas térmica y de deformación. Esto captura el acoplamiento físicamente necesario ($\varepsilon_{th} = \alpha_{CTE}\Delta T$) sin conlatar los grados de libertad, permitiendo la resolución de la deformación mecánicamente independiente ($\varepsilon_{mech}$).
   • Jerarquía de Pérdida Informada por la Física: El objetivo de entrenamiento combina la pérdida de datos supervisados con nueve restricciones físicas diferenciables:
     1. MSE supervisado sobre $\Delta T$ y $\varepsilon$.
     2. Consistencia Óptica de FBG: Fuerza que las predicciones se encuentren en la variedad de la restricción de Bragg ($\Delta\lambda_B = K_T \Delta T + K_\varepsilon \varepsilon$).
     3. Residuo de la PDE de Conducción de Calor: Fuerza la ecuación de calor de parámetros concentrados.
     4. Conservación de Energía Global: Asegura el balance de calor durante todo el intervalo de tiempo.
     5. Límites de Tasa de Deformación: Limita la tasa de cambio de la deformación.
     6. Viabilidad de Fluencia (Yield): Asegura que la deformación permanezca dentro de los límites de fluencia del material.
     7. Viabilidad del Estado de Carga (SOC): Restringe las estimaciones de SOC al intervalo $[0,1]$.
     8. Suavizado Temporal.
     9. Regularización L2.
   • El entrenamiento sigue un "currículo de física", comenzando con el ajuste de datos y aumentando gradualmente los pesos de la física (por un factor de la 40) para transicionar hacia el refinamiento restringido por la física.

Resultados Clave

El marco fue validado en 75,120 ventanas de hardware-in-the-loop (HIL) derivadas de un modelo electroquímico P2D Doyle-Fuller-Newman calibrado, cubriendo cinco regímenes operativos: UDDS, WLTP, Carretera, carga rápida de 2C y frenado de emergencia.

• Precisión: FBG-PhysNet logró un Error Absoluto Medio (MAE) de 2.270 K para la temperatura interna y 21.94 $\mu\varepsilon$ para la deformación.
• Desempeño de Desacoplamiento (Cross-Talk): El modelo redujo la relación de diafonía (CT) al 58.6%. Esta es una mejora significativa respecto al mejor baseline con conciencia física (PINN-MLP con 77.3%) y se sitúa por debajo del límite de referencia de enrutamiento térmico específico de 71.3%. Esto indica que el modelo recupera con éxito la deformación mecánicamente independiente en lugar de simplemente restar la expansión térmica.
• Convergencia Física: A lo largo de 47 épocas de entrenamiento, el modelo demostró un refuerzo mutuo entre la conformidad física y la precisión de la predicción. El residuo de conservación de energía disminuyó en un 75%, y el residuo de la PDE en un 44%. La métrica de autoconsistencia óptica de FBG ($\chi^2_{FBG}$) mejoró de 0.773 a 0.906, acercándose al valor ideal de 1.0.
• Estudios de Ablación: Eliminar todas las restricciones físicas (Abl-A) aumentó el MAE de temperatura en un 46.6% y la relación de diafonía al 87.2%. Eliminar la Puerta Cruzada (Abl-C) resultó en una relación de diafonía de exactamente 71.3%, confirmando que sin este mecanismo, el modelo no puede resolver el componente de deformación mecánicamente independiente.
• Robustez: Aunque el modelo mostró un error de temperatura más alto (4.280 K) en escenarios extremos de carga rápida de 2C (donde $Q_{gen}$ excedió la media de entrenamiento por 13 veces), la relación de diafonía se mantuvo invariante en 58.6%, demostrando que la calidad del desacoplamiento físico es robusta a la intensidad del ciclo de conducción.

Significado y Reivindicaciones

El artículo postula que la seguridad interna de la batería puede reformularse como un problema de observabilidad. Al reconstruir la temperatura interna y la deformación en tiempo real a partir de una única señal óptica embebida, el marco permite un cambio de márgenes de seguridad estáticos de peor caso hacia un control adaptativo basado en el estado termomecánico real de la celda.

Los autores destacan tres implicaciones específicas:

1. Longevidad de la Batería y Utilización de Capacidad: La conciencia de la deformación en tiempo real permite que el BMS estreche los límites de corriente solo cuando la deformación se acerca a los límites de seguridad (por ejemplo, la deformación de fluencia de 20,000 $\mu\varepsilon$ del grafito), lo que potencialmente recupera un 3–8% de la capacidad utilizable en aplicaciones de alta potencia en comparación con el derating constante.
2. Carga Rápida de Corriente Continua (DCFC): La capacidad del modelo para predecir la temperatura del núcleo con baja latencia respalda el monitoreo térmico rápido, lo que potencialmente reduce las interrupciones de carga y aumenta el rendimiento en la infraestructura existente sin necesidad de nuevo hardware.
3. Pasaporte de Batería y Economía de Segunda Vida: El seguimiento de los estados internos, anclado en la física y autoconsistente, proporciona los datos de ciclo de vida de grado regulatorio requeridos para la certificación del "Pasaporte de la Batería", permitiendo una valoración más precisa de los paquetes usados para aplicaciones de segunda vida.

Crucialmente, los autores afirman que el límite de "acoplamiento irreducible" ampliamente asumido en los sistemas FBG de un solo sensor no es una barrera física fundamental, sino una limitación de los enfoques de modelado actuales. Al aprender una representación donde la deformación mecánicamente independiente se resuelve explícitamente, FBG-PhysNet opera más allá de los límites convencionales. El trabajo concluye que la limitación fundamental de los sistemas de batería actuales no es el rendimiento del material, sino la observabilidad; resolver esta brecha permite redefinir los límites operativos sin cambiar la química o el hardware.