Resumo Técnico: Observabilidade interna de fibra única em baterias de íon-lítio

Definição do Problema

Os sistemas de gestão de baterias (BMS) de íon-lítio dependem atualmente de um conjunto estreito de observáveis externos — temperatura de superfície, tensão terminal e corrente — para inferir estados internos de segurança. Este "hiato de observabilidade" impede a detecção de fenômenos internos críticos, como o revestimento de lítio (lithium plating), fadiga do separador e precursores de fuga térmica, até que estes se manifestem como sinais de alerta externos. Consequentemente, as estratégias de BMS devem operar com margens de segurança conservadoras, sacrificando a energia utilizável, a velocidade de carregamento e a vida útil do ciclo.

Embora sensores de Redes de Bragg em Fibra (FBG) incorporados ofereçam uma rota direta para estados internos, eles enfrentam uma limitação física fundamental: um deslocamento de comprimento de onda único de FBG ($\Delta\lambda_B$) é uma medição subdeterminada que funde temperatura ($\Delta T$) e deformação mecânica ($\varepsilon$). Para as faixas operacionais relevantes de baterias, estas duas contribuições são de magnitude comparável, tornando impossível o desacoplamento por métodos algébricos isolados sem introduzir hardware complexo ou violar leis físicas. Modelos baseados em dados existentes frequentemente falham em produzir reconstruções fisicamente admissíveis, enquanto o desacoplamento baseado em hardware introduz complexidade de embalagem e concentrações de tensão.

Metodologia: FBG-PhysNet

Os autores propõem o FBG-PhysNet, uma estrutura recorrente de dois ramos informada pela física, projetada para resolver o problema da observabilidade de fibra única em tempo real. A arquitetura integra três componentes principais:

1. Backbone de RWKV-7 de Dois Ramos:

   • O modelo utiliza dois ramos RWKV-7 (Recurrent Weighted K-Vector) parametrizados independentemente: o Ramo A para estimativa térmica e o Ramo B para estimativa de deformação.
   • Cada ramo consiste em 4 camadas com uma dimensão de modelo ($d_{model}$) de 128 e 4 cabeças de atenção.
   • Eficiência de Memória: A arquitetura RWKV-7 mantém um tamanho de estado recorrente fixo de 64 KB por bloco (totalizando 512 KB para o estado de dois ramos), independente do comprimento da sequência. Esta pegada de memória $O(1)$ permite a implantação em microcontroladores de grau automotivo (ex: STM32H7 com 1 MB de SRAM), ao contrário de modelos baseados em Transformers que exigem escalonamento de memória com o comprimento do contexto.

2. Condicionamento Q-FiLM:

   • Para abordar a variação de treze vezes na geração de calor eletroquímico ($Q_{gen}$) através de diferentes ciclos de condução (desde condução urbana até carregamento rápido de 2C), o modelo emprega um módulo Q-FiLM (Feature-wise Linear Modulation).
   • Este módulo injeta estimativas de $Q_{gen}$ (derivadas da tensão e corrente terminais) como vetores de escala e deslocamento (scale and shift) na representação latente em cada camada. Isso permite que a rede adapte seu espaço de características dinamicamente ao regime térmico operacional atual sem exigir modelos separados para cada tipo de ciclo.

3. Cross-Gating e Perda de Física de Nove Termos:

   • Cross-Gating: Um mecanismo que troca informações de condições de contorno entre os ramos térmico e de deformação. Isso captura o acoplamento fisicamente necessário ($\varepsilon_{th} = \alpha_{CTE}\Delta T$) sem fundir os graus de liberdade, permitindo a resolução da deformação mecanicamente independente ($\varepsilon_{mech}$).
   • Hierarquia de Perda Informada pela Física: O objetivo de treinamento combina perda de dados supervisionada com nove restrições físicas diferenciáveis:
     1. MSE supervisionado em $\Delta T$ e $\varepsilon$.
     2. Consistência Óptica de FBG: Garante que as previsões residam na variedade de restrição de Bragg ($\Delta\lambda_B = K_T \Delta T + K_\varepsilon \varepsilon$).
     3. Resíduo da PDE de Condução de Calor: Impõe a equação de calor de parâmetros concentrados.
     4. Conservação Global de Energia: Garante o balanço de calor ao longo de toda a janela temporal.
     5. Limites de Taxa de Deformação: Limita a taxa de mudança da deformação.
     6. Viabilidade de Escoamento: Garante que a deformação permaneça dentro dos limites de escoamento do material.
     7. Viabilidade de Estado de Carga (SOC): Restringe as estimativas de SOC ao intervalo $[0,1]$.
     8. Suavização Temporal.
     9. Regularização L2.
   • O treinamento segue um "currículo de física", começando com o ajuste de dados e aumentando gradualmente os pesos da física (por um fator de 40) para a transição para o refinamento restrito pela física.

Principais Resultados

O framework foi validado em 75.120 janelas de hardware-in-the-loop (HIL) derivadas de um modelo eletroquímico P2D Doyle-Fuller-Newman calibrado, cobrindo cinco regimes operacionais: UDDS, WLTP, Rodovia, carregamento rápido de 2C e frenagem de emergência.

• Acurácia: O FBG-PhysNet alcançou um Erro Médio Absoluto (MAE) de 2,270 K para a temperatura interna e 21,94 $\mu\varepsilon$ para a deformação.
• Desempenho de Desacoplamento (Cross-Talk): O modelo reduziu a razão de cross-talk (CT) para 58,6%. Este é um avanço significativo em relação à melhor linha de base consciente da física (PINN-MLP com 77,3%) e situa-se abaixo do limite de referência de roteamento térmico específico de 71,3%. Isso indica que o modelo recupera com sucesso a deformação mecanicamente independente em vez de apenas subtrair a expansão térmica.
• Convergência Física: Ao longo de 47 épocas de treinamento, o modelo demonstrou reforço mútuo entre conformidade física e precisão de previsão. O resíduo de conservação de energia diminuiu em 75%, e o resíduo da PDE em 44%. A métrica de autoconsistência óptica de FBG ($\chi^2_{FBG}$) melhorou de 0,773 para 0,906, aproximando-se do valor ideal de 1,0.
• Estudos de Ablação: Remover todas as restrições físicas (Abl-A) aumentou o MAE de temperatura em 46,6% e a razão de cross-talk para 87,2%. Remover o Cross-Gating (Abl-C) resultou em uma razão de cross-talk de exatamente 71,3%, confirmando que, sem este mecanismo, o modelo não consegue resolver o componente de deformação mecanicamente independente.
• Robustez: Embora o modelo tenha mostrado erro de temperatura mais alto (4,280 K) em cenários extremos de carregamento rápido de 2C (onde $Q_{gen}$ excedeu a média de treinamento em 13x), a razão de cross-talk permaneceu invariante em 58,6%, demonstrando que a qualidade do desacoplamento físico é robusta à intensidade do ciclo de condução.

Significância e Alegações

O artigo postula que a segurança interna da bateria pode ser reestruturada como um problema de observabilidade. Ao reconstruir a temperatura interna e a deformação em tempo real a partir de um único sinal óptico incorporado, o framework permite uma mudança de margens de segurança estáticas de pior caso para um controle adaptativo baseado no estado termomecânico real da célula.

Os autores destacam três implicações específicas:

1. Longevidade e Utilização de Capacidade da Bateria: A consciência da deformação em tempo real permite que o BMS aperte os limites de corrente apenas quando a deformação se aproxima dos limites de segurança (ex: a deformação de escoamento de 20.000 $\mu\varepsilon$ do grafite), potencialmente recuperando 3–8% da capacidade utilizável em aplicações de alta potência em comparação com o derating constante.
2. Carregamento Rápido DC (DCFC): A capacidade do modelo de prever a temperatura do núcleo com baixa latência suporta o monitoramento térmico rápido, potencialmente reduzindo interrupções de carregamento e aumentando o rendimento nas infraestruturas existentes sem novo hardware.
3. Passaporte de Bateria e Economia de Segunda Vida: O rastreamento de estados internos ancorado na física e autossistente fornece os dados de ciclo de vida de nível regulatório necessários para a certificação do "Passaporte de Bateria", permitindo a valoração mais precisa de packs usados para aplicações de segunda vida.

Crucialmente, os autores alegam que o limite de "acoplamento irredutível" amplamente assumido em sistemas FBG de sensor único não é uma barreira física fundamental, mas uma limitação das abordagens de modelagem atuais. Ao aprender uma representação onde a deformação mecanicamente independente é explicitamente resolvida, o FBG-PhysNet opera além dos limites convencionais. O trabalho conclui que a limitação fundamental dos sistemas de bateria atuais não é o desempenho do material, mas a observabilidade; resolver este hiato permite que os limites operacionais sejam redefinidos sem alterar a química ou o hardware.