基于知识迁移隐因子分析的自适应模糊双C均值聚类
针对不完整数据的模糊C均值聚类难以兼顾精细插补与聚类效果的问题,研究者提出NA聚类算法,由NRNLF_KT模型与AFD_SS算法构成。NRNLF_KT通过非线性映射放松非负约束并构建无约束优化问题,同时建立与目标矩阵模式不同的辅助矩阵以提取有用知识;AFD_SS引入稀疏自表示技术兼顾全局与局部信息,并用粒子群优化算法为特定数据集选取合适参数。真实数据集实验验证了该方法的优越性。
针对不完整数据的模糊C均值聚类难以兼顾精细插补与聚类效果的问题,研究者提出NA聚类算法,由NRNLF_KT模型与AFD_SS算法构成。NRNLF_KT通过非线性映射放松非负约束并构建无约束优化问题,同时建立与目标矩阵模式不同的辅助矩阵以提取有用知识;AFD_SS引入稀疏自表示技术兼顾全局与局部信息,并用粒子群优化算法为特定数据集选取合适参数。真实数据集实验验证了该方法的优越性。
研究提出自适应分解的多变量时间序列异常检测算法 ADAD,在频域将序列分解建模为频谱分割问题,为每条序列动态学习变量专属的分割点,使趋势与季节分量同时反映变量特异性和时间特异性。该方法在模式挖掘中引入跨分量连接,以一个分量学到的模式指导另一分量的学习。在公开基准上,ADAD 性能优于当前最先进方法。
研究结合 HEXRD、EPSR 与基于 MACE 机器学习势的 MD 模拟,确定了熔融 FeCl2 和 FeCl3 的结构。模拟复现了实验结构因子与径向分布函数,揭示 FeCl3 熔化时 Fe 由八面体配位转为四面体配位,FeCl2 中亦存在类似转变。链统计表明两种熔体主要以含六个及以上 Fe 中心的延伸链存在,而非离散 Fe2Cl6 单元。
研究利用 X 射线 computed tomography(Nano-CT)对锂离子电池热失控产生的烟尘进行三维成像,可检测出含致癌物薄壳的核壳结构颗粒。传统 X 射线衍射只能定量这些有害相的质量分数,而 Nano-CT 能精确分析颗粒形状、尺寸与分布。研究指出,即便碳质表面致癌物质量分数极小,吸入后仍可能损害内脏功能,需深入理解颗粒物成分以完善安全法规与呼吸防护。
NREL 指出电动卡车的发展需要高功率充电基础设施配套。原文未披露具体充电功率、车型或部署时间等细节。
研究通过对比全耦合电化学-力学模型与采用均匀通量假设的单颗粒化学-力学模型,分离出裂纹内电解液浸润的作用。耦合模型预测界面反应速率空间分布强烈不均,裂纹尖端通量约为施加均匀通量的8倍,反应重分布主要受局部固相锂浓度与应力变化控制,裂纹内电解液电位梯度在所述条件下为次要因素。
推荐理由:通过耦合与单颗粒模型的对照,量化裂纹内电解液浸润对反应分布、容量与应力的影响,为颗粒断裂建模提供可迁移的对照方法。
研究发现,对锗(Ge)负极进行微量金属掺杂可延长其循环寿命,其中大原子尺寸元素 Yb 效果最显著,在不牺牲初始容量的前提下将负极寿命提升约三倍。结构分析表明,该改进源于 Ge 负极的力学软化,抑制了嵌锂引起的开裂与分层;纳米压痕显示掺杂原子尺寸与薄膜硬度呈强负相关。不过 Yb 掺杂会降低高倍率性能,研究据此提出从抑制体积变化转向力学柔顺的电极设计新思路。
作者建立物理模型描述硅碳复合负极锂电池在多种循环协议和存储条件下的衰减,并区分 SEI 生长等基础机制与颗粒开裂、裂纹处 SEI 生长、活性材料损失等硅相关机制。研究还考察了不同 check-up 频率对观测到的存储衰减的影响,以及含硅负极电池衰减加剧的原因,并将衰减与工况关联以支持后续使用与设计优化。
推荐理由:模型把 SEI 生长与颗粒开裂、裂纹处 SEI 生长、活性材料损失分开处理,可用于理解硅碳负极电池的存储与循环衰减来源。
NREL 发文探讨混合系统是否真是电网的未来,标题以“Magic 8-Ball”回应“Concentrate and Ask Again”,未给出确定结论。原文未披露具体模型、数据或可用性信息。
NREL 推出名为“Microgrids For Anyone”的微电网普及资源。原文未披露具体技术参数、适用规模或开放形式等细节。
NREL 指出,系统动力学方法正被用于生物燃料与电池研究。原文未披露具体模型、数据或可用性信息。
Battery Imaging Library 在 Zenodo 发布 S3DXRD 数据集 1 的原始数据,来自 ESRF Beamline ID11,压缩包 NMC811_rptZ45999.7z 共 18.3 GB。该数据面向学术与教育用途,商业使用需与作者沟通,使用时需引用 Battery Imaging Library 网站及 R. Docherty 等人 2025 年的论文。
Battery Imaging Library 在 Zenodo 发布 S3DXRD 数据集 2 的原始数据,采集自 ESRF ID11 线站,压缩包 NMC811_rptZ46099.7z 共 18.8 GB。
Battery Imaging Library 在 Zenodo 发布 S3DXRD 数据集 3 的原始数据,采集自 ESRF ID11 线站,文件为 NMC811_rptZ46199.7z,大小 18.9 GB。
Battery Imaging Library 在 Zenodo 发布 S3DXRD 数据集 4 的原始数据,采集自 ESRF ID11 线站,压缩包 NMC811_rptZ46299.7z 约 19.0 GB。数据面向学术与教育用途,商业使用需与作者沟通,使用时需引用 Battery Imaging Library 网站及 R. Docherty 等 2025 年的论文。
Battery Imaging Library 在 Zenodo 发布 S3DXRD 数据集 5 的原始数据,采集自 ESRF ID11 线站,压缩包 NMC811_rptZ46399.7z 约 19.1 GB。该数据集面向学术与教育用途,使用时需引用 Battery Imaging Library 网站及 R. Docherty 等人的论文,商业用途需与作者沟通。
Battery Imaging Library 在 Zenodo 发布 S3DXRD 数据集 6 的原始数据,采集自 ESRF ID11 线站,文件 NMC811_rptZ46499.7z 约 18.9 GB。该数据集面向学术与教育用途,商业使用需与作者沟通,使用时需引用 Battery Imaging Library 网站及 R. Docherty 等人 2025 年的论文。
Battery Imaging Library 在 Zenodo 发布 S3DXRD 数据集 7 的原始数据,采集自 ESRF ID11 线站,压缩包 NMC811_rptZ46599.7z 共 18.8 GB。
Battery Imaging Library 发布 S3DXRD 数据集 8 的原始数据,采集自 ESRF ID11 线站,压缩包 NMC811_rptZ46699.7z 共 18.9 GB。数据面向学术与教育用途,商业使用需与作者沟通,使用时应引用 Battery Imaging Library 网站及 R. Docherty 等 2025 年的论文。
Battery Imaging Library 在 Zenodo 发布 S3DXRD 数据集 9 的原始数据,采集自 ESRF ID11 线站,压缩包 NMC811_rptZ46799.7z 约 18.9 GB。该数据集面向学术与教育用途,商业使用需与作者沟通,使用时需引用 Battery Imaging Library 网站及 R. Docherty 等人 2025 年的论文。
Battery Imaging Library 在 Zenodo 发布 S3DXRD 数据集 10 的原始数据,采集自 ESRF ID11 线站,压缩包 NMC811_rptZ46899.7z 约 19.0 GB。该数据面向学术与教育用途,商业使用需与作者沟通,使用时需引用 Battery Imaging Library 网站及 R. Docherty 等 2025 年的论文。
Battery Imaging Library 在 Zenodo 发布 S3DXRD 数据集 11 的原始数据,采集自 ESRF ID11 线站,文件为 NMC811_rptZ46999.7z,体积 19.1 GB。
Battery Imaging Library 发布 S3DXRD 数据集 12 的原始数据,采集自 ESRF ID11 线站,压缩包 NMC811_rptZ47099.7z 大小 19.0 GB。该数据面向学术与教育用途,商业使用需与作者沟通,使用时需引用 Battery Imaging Library 网站及 R. Docherty 等人 2025 年的论文。
Battery Imaging Library 在 Zenodo 发布 S3DXRD 数据集 13 的原始数据,采集自 ESRF ID11 线站,文件为 NMC811_rptZ47199.7z,大小 18.8 GB。该数据集面向学术与教育用途,商业使用需与作者沟通,使用时需引用 Battery Imaging Library 网站及 R. Docherty 等 2025 年的论文。
Battery Imaging Library 在 Zenodo 发布 S3DXRD 数据集 14 的原始数据,采集自 ESRF ID11 线站,压缩包 NMC811_rptZ47299.7z 约 18.9 GB。数据面向学术与教育用途,商业使用需与作者沟通,使用时需引用 Battery Imaging Library 网站及 R. Docherty 等 2025 年的论文。
Battery Imaging Library 在 Zenodo 发布 S3DXRD 数据集 15 的原始数据,采集自 ESRF ID11 线站,压缩包 NMC811_rptZ47399.7z 约 18.9 GB。该库面向学术与教育用途,商业使用需与作者沟通,使用时需引用 Battery Imaging Library 网站及 R. Docherty 等人 2025 年的论文。
Battery Imaging Library 在 Zenodo 发布 S3DXRD 数据集 16 的原始数据,采集自 ESRF ID11 线站,压缩包 NMC811_rptZ47499.7z 约 19.0 GB。数据面向学术与教育用途,商业使用需与作者沟通,使用时需引用 Battery Imaging Library 网站及 R. Docherty 等 2025 年的论文。
Battery Imaging Library 公开了 ESRF ID11 线站 S3DXRD 实验的 Dataset 17 原始数据,文件为 NMC811_rptZ47599.7z,体积 19.1 GB。该数据集面向学术与教育用途,商业使用需与作者协商,使用时需引用 Battery Imaging Library 网站及 R. Docherty 等人 2025 年的论文。
Battery Imaging Library 在 Zenodo 发布 S3DXRD 数据集 18 的原始数据,采集自 ESRF ID11 线站,压缩包 NMC811_rptZ47699.7z 约 19.0 GB。该数据面向学术与教育用途,商业使用需与作者沟通,使用时需引用 Battery Imaging Library 网站及 R. Docherty 等 2025 年的论文。
Battery Imaging Library 在 Zenodo 发布 S3DXRD 数据集 19 的原始数据,采集自 ESRF ID11 线站,文件为 NMC811_rptZ47799.7z,大小 18.8 GB。
Battery Imaging Library 在 Zenodo 发布 S3DXRD 数据集 20 的原始数据,采集自 ESRF ID11 线站,文件为 NMC811_rptZ47899.7z,大小 18.9 GB。该数据面向学术与教育用途,商业使用需与作者沟通,使用时需引用 Battery Imaging Library 网站及 R. Docherty 等 2025 年的论文。
作者发布开源物理信息仿真框架 SAGE(Synthetic Aging for a Grid Environment),可为异构电池储能系统(BESS)生成小时分辨率、跨数十年的运行历史与老化轨迹,耦合随机环境驱动、市场调度、电热行为、老化动力学与资产级异质性。
推荐理由:SAGE 把随机环境、市场调度与电热老化动力学耦合,为电网级 BESS 提供可复现的长周期退化仿真与基准平台。
研究对比了Al、Mg、Ag、Cu四种单元素金属电极在无负极锂电池中的嵌锂行为,通过电化学与深度分辨离子束剖析,绘制了不同电流密度下的局部库仑效率并识别主要锂损失路径。Ag因快速形成γ黄铜型合金相,在高倍率下保持高可逆性;Mg和Al因动力学或结构驱动的锂捕获而可逆性下降;Cu则因多孔高活性析锂造成最大损失。
研究人员提出虚拟电极低能电子显微镜(VE-LEEM),结合同步辐射光电子发射显微镜与原子力显微镜,在纳米尺度追踪无负极固态电池中 Li 和 Na 负极在循环中的形成与溶解。
Moment Energy 宣布引入来自 NREL 和 Tesla 的资深人士。原文未披露具体人名、职位及加入时间等细节。
研究建立了一个集装箱式钒液流电池模型,采用混合热管理系统并考虑热辐射与真实环境温度,覆盖 4-400 kW 共 10 种工况、180 种配置,每种工况含 18 种放电电流-电芯数比。电流相关欧姆损耗使电效率在低电流配置下从最低 68% 升至 89%,但泵、逆变器和热管理系统自耗电使净系统效率仅为 43%-66%。
欧洲15家实验室与设施联合开展大规模多模态电池表征项目,对石墨/LiNiO2 锂离子全电芯进行多站点协同实验,生成75个拼接数据集并在所有合作方间共享。集成分析表明,科学结论关键取决于描述电极特性所选的可观测量和所采用的测量技术。研究提出二维“可观测量-技术”模式,以像素编码对特定科学问题的“是/否/不确定”答案,作为多属性元视图对材料行为和技术适用性进行分类。
作者提出块结构预条件策略求解 pseudo-4D DFN 模型,该模型在标准 P2D 基础上完整解析三维电极结构与颗粒尺度扩散。方法对电极层算子采用多重网格、对颗粒尺度扩散采用局部求解器,并在均质与异质立方电芯、扁平卷绕结构及三周期极小曲面电极上开展可扩展性研究,可在大规模并行硬件上求解数亿自由度的电池模型。
文章评估了 PINN、PIDeepONet 和 PINO 三种物理信息机器学习框架在电化学器件实时控制中的潜力,从训练成本、推理速度和泛化能力三方面进行对比。PINN 适合固定问题但参数变化需重新训练,PIDeepONet 支持跨工况算子学习且无需网格,PINO 在规则网格上性能更优、外推能力最强。
推荐理由:文章对比 PINN、PIDeepONet 与 PINO 三种物理信息学习框架的训练成本、推理速度与外推能力,为电化学器件实时控制选型提供依据。
研究团队在绝缘体上硅器件中实现物理 Kolmogorov-Arnold 网络(KAN),通过训练突触非线性而非线性权重提升任务性能。该器件称为 Synaptic Nonlinear Elements(SYNEs),在室温、微安电流、2 MHz 速度下工作,每次非线性操作约 750 fJ,10^13 次测量及数月时间尺度内未观察到退化。