质子陶瓷电池

宽工况准确预测

人工神经网络框架可精确预测电池阻抗和弛豫时间分布，优于仅依赖阻抗评估的方法。

Liu, Xuhao · Yan, Zilin · Junwei, Wu · Huang, Jake · 郑益锋 · Sullivan, Neal P. · OHayre, Ryan · 仲政 · 潘泽华

Journal of Energy Chemistry 2023

具体参数

平均 R²（预测 DRT）

{'zh': '0.9667', 'en': '0.9667'}

R²（预测 DRT）

{'zh': '0.3', 'en': '0.3'}

R²（预测 EIS）

{'zh': '0.98', 'en': '0.98'}

技术优势

预测 DRT 更准

调整神经网络参数后，预测 DRT 的平均 R² 从可能低至约 0.3 提升到 0.9667。

避免误判

即使阻抗预测 R² 超过 0.98，其 DRT 的 R² 可能低至约 0.3，仅凭阻抗误差会高估模型可靠性。

可直接用于复杂体系

经过适当调整的 ANN 模型不仅能预测阻抗谱，还能预测复杂电化学体系的弛豫时间分布。

应用场景

• 质子陶瓷电池诊断：用预测 DRT 快速判断电池内部状态，避免误诊。
• 神经网络调参：以 DRT 精度作为调参目标，提升模型可靠性。