Работа посвящена решению актуальной проблемы ускорения разработки новых поколений литий-ионных аккумуляторов (ЛИА) за счет преодоления ограничений классического эмпирического подхода. Актуальность исследования обусловлена ключевой ролью ЛИА в глобальном энергетическом переходе, включающем электрификацию транспорта и интеграцию возобновляемых источников энергии, что предъявляет всё более противоречивые требования к их характеристикам: энергоемкости, мощности, долговечности, безопасности и стоимости.

В работе обоснован системный подход к проектированию ЛИА, рассматривающий аккумуляторную ячейку как целостную многопараметрическую систему, где входные параметры (свойства материалов, конструктивные и эксплуатационные характеристики) нелинейно связаны с выходными (энергетические и деградационные показатели). Основная цель работы – разработка и внедрение гибридного подхода к системному проектированию ЛИА, который целенаправленно комбинирует различные методы прогнозирования.

Ключевым научным результатом является создание гибридной модели, которая интегрирует три компонента:

Регрессионные модели для прогнозирования хорошо формализуемых начальных характеристик (емкость, энергия, сопротивление) на основе фундаментальных физико-химических закономерностей.

Специально разработанную архитектуру искусственной нейронной сети (ИНС), оптимизированную для прогнозирования сложных, нелинейных параметров деградации (сохранение емкости, состояние здоровья – SOH, остаточный ресурс – RUL). Архитектура использует LSTM-слои для учета временных зависимостей в данных циклирования, а также вариант поиска важных признаков с применением структуры «Случайный лес».

Программный комплекс, последовательно объединяющий эти модели для комплексной оценки проектируемой ячейки.

Научная новизна работы заключается в предложении системной многоуровневой модели объекта, целенаправленном разделении прогнозируемых параметров и разработке новой архитектуры ИНС. Практическая значимость состоит в создании инструмента, позволяющего на этапе проектирования оценивать комплекс характеристик ячейки, что сокращает время и стоимость дорогостоящих экспериментальных исследований за счет виртуального скрининга миллионов комбинаций параметров. Предложенная методология прошла экспериментальную проверку, подтвердившую её адекватность и точность.

Аспирант КНМТ Инженерной Академии, АО РУДН
Старший преподаватель кафедры АСУ, НИТУ «МИСиС»
Старший преподаватель кафедры ФТМ, РТУ «МИРЭА»