في عالمنا الحديث، تلعب بطاريات الليثيوم أيون دورًا حيويًا في توفير الطاقة لمجموعة متنوعة من التطبيقات، من الهواتف الذكية إلى السيارات الكهربائية. ولكن مع هذه الأهمية تأتي الحاجة الملحة للسلامة، حيث أن أي فشل في الإدارة الحرارية يمكن أن يتسبب في انفجارات مؤسفة. لذا، أضحى التنبؤ بمخاطر الاحتراق الحراري (Thermal Runaway) أمرًا ضروريًا لضمان السلامة والكفاءة.

طور الباحثون نموذجًا مبتكرًا يحمل اسم "إطار العمل المدعوم بالفيزياء للنماذج القائمة على الشبكات العصبية العميقة" (Physics-Informed Long Short-Term Memory (PI-LSTM)) والذي يمزج بين المعرفة الفيزيائية والتعلم العميق. يعمل النموذج على دمج المعادلات الأساسية لنقل الحرارة داخل بنية الشبكة العصبية، مما يعزز دقة التنبؤات ويدعم الخصائص الفيزيائية.

من خلال تحليل مدخلات متعددة تشمل حالة الشحن، الجهد، التيار، الضغط الميكانيكي، ودرجة حرارة السطح، تمكّن الباحثون من رصد تطور درجة حرارة البطارية بدقة، مع تطبيق قيود على diffusion الحراري، مما يقلل من الأخطاء ويفتح آفاق جديدة لإدارة الحرارة بشكل فعال.

أجريت تجارب شاملة على ثلاثة عشر مجموعة بيانات لبطاريات الليثيوم أيون، وقد أظهرت النتائج تحسنًا هائلًا، حيث سجل النموذج المُقترح انخفاضًا بنسبة 81.9% في متوسط ​​خطأ الجذر التربيعي و 81.3% في متوسط الخطأ المطلق مقارنة بالنموذج التقليدي (LSTM).

لا يتوقف الأمر عند هذا الحد، بل يتفوق النموذج PI-LSTM بكثير على النماذج الأخرى مثل CNN-LSTM وMLP، مما يدل على قوة الدمج بين الفيزياء والتعلم العميق في تعزيز أداء النموذج وضمان قدرة التعميم في الظروف التشغيلية المتنوعة.

في النهاية، تقدم الابتكارات هذه نهجًا واعدًا نحو تحقيق الإدارة الحرارية الدقيقة والقابلة للتفسير في أنظمة البطاريات المستقبلية.