跳到正文

#机器学习

今日 5 条
10月9日周五
  2. Energy55

    注意力引导残差块物理信息神经网络用于锂离子电池可解释SOH估计

    Delong Zheng 等人提出一种注意力引导残差块结构的物理信息神经网络，用于锂离子电池健康状态（SOH）的可解释估计，论文发表于 Energy 第 365 卷。作者信息与摘要显示该方法将注意力机制与残差块结合并嵌入物理信息约束，具体精度与实验数据未在 feed 摘要中给出。

    推荐理由：提出注意力引导残差块的物理信息神经网络用于SOH估计，为可解释性建模提供了一种结构设计思路。

  3. Energy22

    基于加速度一致性正则化趋势增强 Transformer 车速预测的混合动力两栖车实时自适应能量管理

    研究提出一种加速度一致性正则化趋势增强 Transformer，用于混合动力两栖车的车速预测，并据此实现实时自适应能量管理。该方法将加速度一致性约束与趋势增强机制引入 Transformer，以提升车速预测精度并支撑能量管理策略的实时调整。相关成果发表于 Energy 第 365 卷。

  5. Journal of Power Sources50

    研究提出基于稳健电压-容量特征追踪锂离子电池老化

    Hamid Hamed 等人在 Journal of Power Sources 第 698 卷发表研究，提出用稳健的电压-容量特征追踪锂离子电池老化。作者包括 Albin Conde Reis、Sasan Amini、Inneke Van Nieuwenhuyse 和 Mohammadhosein Safari，论文发表于 2027 年 1 月 15 日。

    推荐理由：材料仅给出标题与作者信息，无法确认方法细节与结果，暂不展示推荐理由。

  6. arXiv · battery（eess.SY 系统与控制）71

    闭环域生成框架提升跨工况电池健康诊断精度

    作者提出闭环域生成框架，用变分自编码器潜在空间外推生成物理约束的跨域样本，并以贝叶斯优化自动标定采样、潜在正则、外推、扰动与生成量等超参数，全程排除目标域后期数据。在四个跨域案例中，正极活性材料损失、负极活性材料损失和锂库存损失的RMSE分别为1.53%、2.15%和2.02%，传统方法误差明显更高甚至完全失效。该框架不依赖下游诊断模型，可用于车载且物理一致的电极级老化诊断。

    推荐理由：该框架用变分自编码器与贝叶斯优化生成跨域样本，四个跨域案例中三类电极老化模式的RMSE均约2%，可迁移到少样本目标域诊断。

  8. GitHub·电池与能源 Agent 工具10

    SciencesLoop 开放研究实验室网站上线：面向科学 AI 的智能体工作流与证据驱动基础设施

    SciencesLoop 开放研究实验室网站上线，聚焦科学 AI 的智能体编排、工具调用、可追溯执行与科学状态表示，并开展分子、材料等领域的科学基础模型实验。网站收录 99 篇论文、25 项授权专利与 3 项申请，以及 13 场受邀报告和 38 篇摘要。站点基于 Astro 5 构建，生产环境通过 Vercel 部署，GitHub Pages 仅作重定向。

10月8日周四
10月7日周三
  3. Advanced Materials26

    描述符指导筛选界面活性分子，实现高效镁金属负极

    研究采用描述符指导的分子筛选策略，从取代苯胺衍生物中识别出 4-bromo-N,N-dimethylaniline（BrNNA）作为界面活性电解液组分，使 Mg(TFSI)₂ 基电解液实现无需活化的快速镁沉积/剥离。含 BrNNA 的电解液在对称电池中 0.1 mA cm⁻² 下稳定运行超 2400 h，10 mA cm⁻² 下累积面容量达 5 Ah cm⁻²，并在多种正极材料的全电池中得到验证。

  4. Advanced Energy Materials31

    多盐高熵电解液中的多选择性主导配位机制助力高性能硅负极

    研究提出多选择性主导配位机制，揭示多盐高熵电解液（HEE salts）中富阴离子溶剂化环境的起源。MD 模拟与光谱表征显示，阴离子配位选择性提升使 Li+ 进入高度离域且动态可重构的溶剂化环境，诱导形成无机含量达 49.2% 的薄而均匀 SEI。混合五盐电解液使 250 mAh 软包电芯 200 次循环后容量保持率达 97.18%。

  6. Computers & Chemical Engineering58

    半监督贝叶斯学习实现有限标签下的锂电池 SOH 估计与不确定性量化

    Yuheng Du 等人提出一种带不确定性量化的半监督贝叶斯学习方法，用于标签数据有限条件下的锂电池健康状态（SOH）可靠估计。该方法面向标注样本稀缺场景，通过半监督学习利用未标注数据，并给出预测的不确定性量化。研究发表于 Computers & Chemical Engineering 第 216 卷。

    推荐理由：针对标签数据稀缺场景，提出半监督贝叶斯学习并给出 SOH 估计的不确定性量化，可迁移到其他小样本回归任务。