本文提出了一种基于物理学知识的神经网络方法，结合二维数学模型来预测钒基液流电池的性能，通过标准化输入输出，加强约束条件和引入少量标记数据，使模型能够准确预测电池电压和电位等离子体浓度。

May, 2023

本文介绍了机器学习方法在估计铅酸电池State of Health和Remaining Useful Life方面的研究现状，并分析了测量铅酸电池性能的传感器组合。

Jul, 2023

本研究通过提出一种动力学机器学习辅助流程的数据驱动方法，优化了生产参数的逆向设计，从而实现了可用于能量或功率应用的电极的制造。

Jul, 2023

通过捕捉电池的老化状态和降解速率，本研究提出了一种方法来提高电池寿命的预测性能。该方法通过从电压松弛数据中提取等效电路模型的六个物理特征来指示老化状态，并通过从移动窗口内电压松弛曲线的差异或不同周期的容量-电压曲线的差异提取两个特征来捕捉降解速率。基于高斯过程构建了两个机器学习模型，分别用于描述这些物理特征与电池寿命之间的关系，用于寿命预测和分类。该方法在三种不同类型的74个电池单元的老化数据上进行了验证。实验结果显示，仅使用3-12分钟的采样数据，具有新特征的方法可以准确预测电池寿命，与基准方法相比，预测准确率提高了67.09%。仅使用两个相邻周期的信息，电池被分为三组（长寿、中寿、短寿），整体准确率大于90%，实现了退役电池的高效重新分组。

Aug, 2023

应用机器学习技术，研究了电池容量削减的机制，通过WOA-ELM模型，确定了影响电池特定容量的关键因素，并解释了它们与电极材料的结构损伤和电池循环期间的故障之间的联系。

Aug, 2023

BatteryML是一个一站式、全面、开源的平台，旨在统一数据预处理、特征提取和传统与先进模型的实施，以增强研究应用的实用性和效率。

Oct, 2023

通过机器学习方法进行端到端基于结构的方法加速预测材料的导热性的研究，从而更有效地扩大已有数据集的规模。我们评估了目前最先进的机器学习模型在扩展数据集上对导热性预测的性能，并观察到所有这些模型都存在过拟合的问题。为了解决这个问题，我们引入了一种新颖的基于图的神经网络模型，它在所有评估的数据集上表现出更一致和规范化的性能。然而，测试数据集上达到的最佳平均绝对百分比误差仍然处于50-60%的范围内。这表明，虽然这些模型对于加速材料筛选是有价值的，但它们目前的准确性仍然有限。

Nov, 2023

利用不足的数据，比较了不同的机器学习算法和深度学习算法，发现使用手工特征的机器学习模型在预测锂离子电池的剩余寿命方面表现良好，尤其是Random Forest Regressor算法，可以实现平均9.8%的绝对百分比误差。相比之下，深度学习模型在小样本原始数据上表现不佳，手工特征的机器学习模型在预测锂离子电池寿命方面更为有效。

Dec, 2023

电池是动态系统，受到电池设计、化学成分、制造和工作条件等复杂的非线性老化影响。预测电池的循环寿命和估算老化状态对于加快电池的研发和测试，以及进一步了解电池的退化过程非常重要。本教程首先概述了循环寿命预测的基本原理、机器学习和混合电池模型。然后，解释了从实验室测试数据中开发可解释的机器学习模型的典型流程，并且强调了机器学习模型所面临的挑战，以此来激发将物理学引入混合建模方法的动机，后者对于解读电池的老化轨迹至关重要，但需要更多的数据和进一步研究电池退化的物理学。本教程最后讨论了普适性和进一步的研究方向。

Apr, 2024

利用物理信息机器学习方法，我们展示了一种可以通过电信号量化和可视化描述热力学和动力学相关性的时态损失，实现非破坏性降解模式表征，加速整个使用寿命轨迹的温度自适应预测，速度提高了25倍，准确率保持在95.1％，这种研究为电池原型的降解提供了新的可能性。

Jun, 2024