高保真建模揭示不同工况下的析锂与剥离动态
Jue Chen、Heinrich Ditler、Gereon Stahl、Christiane Rahe、Weihan Li 在 eTransportation 第 29 卷发表研究，对多种运行工况下的析锂与剥离过程进行高保真建模，以揭示其隐藏动态。论文发表于 2026 年 9 月，目前仅见摘要信息。
推荐理由：针对析锂与剥离过程建立高保真模型并覆盖多种工况，可为快充边界与析锂判据研究提供建模参考。
物理信息方法
全部主题物理与数据的融合：PINN、物理约束损失、机理模型与数据驱动混合、数字孪生。
最新精选
第 41–52 条 · 共 52 条eTransportation精选AI 评分6262 eTransportation精选AI 评分6262 基于物理建模与智能优化的高能量锂离子电池快充策略
Yajie Liu 等人提出结合物理建模与智能优化的方法，用于实现高能量锂离子电池的快充。该研究发表于 eTransportation 第 29 卷，作者包括 Yu Wang、Fuyuan Liang 和 Xing Zhou，摘要未提供具体模型、优化算法与实验数据。
推荐理由：面向高能量锂离子电池快充，将物理建模与智能优化结合，为充电策略设计提供可迁移的方法框架。
Journal of Energy Chemistry精选AI 评分5757 双流物理信息神经网络-迁移学习框架用于少样本场景下的电池 SOC 鲁棒估计
Longxing Wu 等人在 Journal of Energy Chemistry 第 124 卷提出双流物理信息神经网络-迁移学习框架，用于少样本数据场景下的电池 SOC 鲁棒估计。该工作将物理信息神经网络与迁移学习结合，以应对训练数据不足时的估计精度问题。论文发表于 2027 年 1 月。
推荐理由：针对少样本工况下 SOC 估计精度下降的问题，该框架把物理信息神经网络与迁移学习结合，可供做小样本估计的研究者参考其双流结构设计。
Journal of The Electrochemical Society精选AI 评分6262 基于电化学-热-老化耦合模型的在线快充策略抑制析锂
该研究提出一种基于电化学-热-老化耦合模型的在线快充策略，用于抑制析锂。原文仅提供标题，未给出模型细节、验证工况与实验数据。
Journal of Energy Storage精选AI 评分6060 物理引导 Transformer 用于真实电动汽车 SOH 鲁棒估计
Journal of Energy Storage 第 182 卷 Part D 刊出 Lijin Guo、Yuhang Li、Wanting Zhang 的研究，提出一种物理引导 Transformer，用于真实电动汽车场景下的 SOH 鲁棒估计。该文发表于 2026 年 12 月 30 日，目前仅提供摘要信息。
推荐理由：面向真实电动汽车工况的 SOH 估计，物理引导与 Transformer 结合，可关注其在实车数据上的鲁棒性设计。
arXiv · battery（physics.app-ph）精选AI 评分6262 Artiphy 代理加速的 SPMe 物理模型参数反演框架
作者提出基于单粒子模型加电解液动力学（SPMe）的代理加速反演框架，前向映射用其 Artiphy 代理框架快速可微地计算电压与部分内部状态。去除结构冗余后，反演非冗余的传输、动力学与容量参数组，包括浓度相关的固相与电解液扩散系数。
推荐理由：该工作用 Artiphy 代理加速 SPMe 参数反演，并以 DFN 合成数据给出已知参考参数下的误差与可辨识性分析，可供做参数辨识的研究者参考其框架与敏感性结论。
arXiv · battery（physics.app-ph）精选AI 评分5858 研究指出电池开路电压并非纯化学属性
研究用有限元模拟与渐近分析表明，离子嵌入型电池的 OCV 不仅由电极材料化学决定，还受力学状态与微观结构影响。颗粒膨胀和外部载荷促使颗粒间接触产生压应力，改变嵌入离子的化学势，OCV 修正呈非线性并遵循 Hertzian 接触标度，且依赖颗粒排布。相同材料在不同电极微观结构下可表现出不同 OCV 曲线；在全电池中电极通过共同堆叠应力力学耦合，因此电芯 OCV 是整个电池架构的化学-力学属性。
推荐理由：原文用有限元与渐近分析说明颗粒膨胀和外部载荷会通过接触应力改变嵌入离子化学势，OCV 修正呈非线性并随颗粒排布变化。
arXiv · battery（physics.app-ph）精选AI 评分6262 将多尺度力学耦合引入锂离子电池模型
作者推导了一个降阶的电化学-力学耦合模型，把锂化膨胀在活性颗粒、非活性基体、电极和电芯堆叠中产生的应力纳入考虑。模型将电极视为嵌入均匀化弹性非活性基体中的球形活性颗粒周期阵列，利用非活性基体刚度远小于活性材料以及颗粒、电极与电芯之间的尺度分离，得到对活性颗粒化学势和过电位的有效力学修正，该修正取决于颗粒膨胀、电极尺度应变以及夹持或外加压力等宏观边界条件。
推荐理由：该工作把颗粒、电极与电芯堆叠的多尺度力学耦合降阶为对化学势和过电位的修正项，可直接嵌入 DFN、SPMe 与 SPM 框架。
arXiv · battery（physics.app-ph）精选AI 评分6262 裂纹内电解液浸润如何影响电池活性颗粒的衰减与性能
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。
arXiv · battery（physics.app-ph）精选AI 评分6060 硅碳复合负极锂电池循环与日历老化的物理建模
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。
arXiv · battery（physics.app-ph）精选AI 评分5858 物理信息学习加速电化学器件建模：面向实时控制的框架与展望
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。
arXiv · battery（physics.app-ph）精选AI 评分6262 PINN 代理建模单粒子模型：三种架构精度与泛化对比
该研究对三种物理信息神经网络（PINN）架构建模电池单粒子模型进行基准对比，包括两种常规 PINN 架构和一种基于 DeepONet 的架构，并在多种电流工况下评估其精度与泛化能力。结果显示 PINN 在电池物理建模上有潜力，但常规 PINN 架构在高动态电流条件下存在局限；其中 Fourier 增强的 DeepONet 泛化性能更优，相比数值求解器带来近 10 倍加速。
推荐理由：对比三种 PINN 架构在单粒子模型上的精度与泛化，给出高动态电流下的适用边界与约 10 倍加速。