牛津布鲁克斯大学发布赛车电池数字孪生配套模型与数据包
牛津布鲁克斯大学在Zenodo发布赛车电池数字孪生论文的配套资源包，含12个训练好的模型（PINN-KP、PINN-LP和NN，分别预测电压与温度，基于两类工况曲线训练）、验证结果与LG M50T电芯实验数据、模型与推理代码，以及可逐点运行模型的网页界面。
推荐理由：牛津布鲁克斯大学公开赛车电池数字孪生配套的12个PINN与NN模型、验证结果和LG M50T实验数据，可直接复现。
#物理信息
#物理信息
今日 0 条关键词流·BMS 与电池智能算法精选AI 评分6565 Zenodo · battery 数据与软件精选AI 评分5858 物理引导学习用精简特征预测电池热失控的代码发布
Zenodo 发布研究《Physics-guided learning predicts battery thermal runaway from parsimonious features》的源代码，版本 v1，以 6.8 MB 的 zip 包提供下载。该记录只包含代码文件，未在描述中给出数据集、模型细节或预测结果。
推荐理由：该记录公开了热失控预测研究的完整源码，便于读者复现其物理引导学习流程与特征选择方案。
Zenodo · battery 数据与软件精选AI 评分6262 牛津布鲁克斯发布赛车电池数字孪生资源包：PINN求解SPMe模型
牛津布鲁克斯大学在Zenodo发布赛车电池数字孪生资源包，对应论文《Motorsport battery digital twin: physics-informed neural networks solving the Single Particle Model with Electrolyte》。
推荐理由：牛津布鲁克斯团队公开了赛车电池数字孪生的12个训练模型、验证结果与LG M50T实验数据，并附带可逐点推理的网页界面。
关键词流·BMS 与电池智能算法AI 评分3838 battery-pinn-degradation v1.0.0 发布：用物理信息网络从部分放电窗口估计老化模式
Rajshahi 工程技术大学机电工程系发布 battery-pinn-degradation v1.0.0，用物理信息神经网络从部分放电窗口估计电池老化模式。代码以 Akkhor07/battery-pinn-degradation-v1.0.0.zip 形式在 Zenodo 提供下载，文件 65.3 MB，作者要求使用后引用该记录。
GitHub·电池与能源 Agent 工具AI 评分3838 rua-creeper-233/battery-materials-agent：面向 DFT/VASP/MD 的电池材料证据检索与工作流助手
rua-creeper-233/battery-materials-agent 是面向 DFT、VASP、NEB、AIMD、分子动力学与机器学习原子势的证据检索、学习和工作流助手，论文提供可追踪事实，本地模型组织回答，工具层读取证据并生成可审阅的研究流程。
GitHub·电池与能源 Agent 工具AI 评分6262 ABRAgent 发布：面向高比能电池研发的六阶段自主智能体平台
ABRAgent 是面向锂金属、固态、高镍三元等高比能化学电池研发的自主智能体系统，由顶层 ABRAgent 驱动 LangGraph ReAct 循环，串联文献解析、语义向量入库、材料挖掘与电芯组装、多智能体 RAG 方案设计、SPM PINN 物理仿真和综合研报六个阶段。
OpenAlex · battery/lithium 新文献流AI 评分6060 无负极电池锂金属电极形貌演化与老化模型代码发布
作者发布与论文《Modeling lithium metal electrodes, morphology evolution and degradation in anode-free batteries》配套的 Python/PyBaMM 源代码，实现无负极电池锂金属电极的连续介质模型，刻画反复析锂与剥离过程中金属锂、电解液与固体电解质界面膜的耦合演化。