DOI: https://doi.org/10.1038/s41467-026-69369-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41663415
تاريخ النشر: 2026-02-09
المؤلف: Xinghao Huang وآخرون
الموضوع الرئيسي: أبحاث تقنيات البطاريات المتقدمة
نظرة عامة
تقدم البحث شبكة مختلطة من الخبراء قابلة للتفسير (iMOE) مصممة للتنبؤ بمسارات تدهور بطاريات السيارات الكهربائية المتقاعدة، مما يمكن أن يعزز بشكل كبير استقرار بنية الطاقة التحتية في المناطق النامية من خلال تطبيقات الحياة الثانية. تستخدم شبكة iMOE وحدة تنبؤ متعددة التدهور قابلة للتكيف تصنف أوضاع تدهور البطارية بناءً على بيانات السعة-الجهد والاسترخاء. تولد هذه الوحدة تمثيلات لاتينية لاتجاهات التدهور، والتي تتم معالجتها بعد ذلك بواسطة شبكة متكررة تعتمد على الاستخدام للتنبؤ بمسارات التدهور على المدى الطويل.
تم التحقق من صحة النموذج عبر أنماط استخدام متنوعة تشمل 295 بطارية، و93 حالة مختلفة، و84,213 دورة، محققًا متوسط خطأ نسبي مطلق (MAPE) مثير للإعجاب قدره 0.95% مع وقت استدلال سريع قدره 0.43 مللي ثانية. عند مقارنته بالنماذج الرائدة مثل Informer وPatchTST، أظهرت iMOE تقليصًا بنسبة 50% في وقت الحساب و77% في MAPE. علاوة على ذلك، تتنبأ بشكل فعال بمسارات التدهور على مدى 150 دورة، مع الحفاظ على حد أقصى لـ MAPE قدره 6.26% حتى مع بيانات تدريب محدودة. بشكل عام، تقدم شبكة iMOE نهجًا قويًا وخاليًا من التاريخ للتنبؤ بتدهور البطارية عند نقطة نشر الحياة الثانية، مما يعزز دمج أنظمة تخزين الطاقة المستدامة.
مقدمة
تناقش مقدمة ورقة البحث الدور الحاسم لبطاريات الليثيوم أيون في السيارات الكهربائية (EVs) وأنظمة الطاقة المتجددة، مع تسليط الضوء على التقاعد الوشيك لـ 120 جيجاوات ساعة من هذه البطاريات بحلول عام 2030. تثير هذه الحالة مخاوف اقتصادية وبيئية كبيرة، مما يستدعي الحاجة إلى استراتيجيات فعالة لإعادة الاستخدام وإعادة التدوير لتعزيز الاستدامة والقدرة على تحمل التكاليف، خاصة في المناطق النامية. تؤكد الورقة على أهمية التنبؤ بدقة بمسارات تدهور البطارية، والتي تعتبر ضرورية لضمان السلامة خلال تطبيقات الحياة الثانية للبطاريات المتقاعدة. غالبًا ما تكون الطرق التقليدية لتقييم تدهور البطارية مدمرة وغير عملية من الناحية الاقتصادية، بينما تتطلب الأساليب المعتمدة على البيانات بيانات تاريخية كبيرة وقد لا تتكيف بشكل جيد مع الظروف المتنوعة للاستخدام في الحياة الثانية.
لمعالجة هذه التحديات، يقترح المؤلفون شبكة مختلطة من الخبراء قابلة للتفسير (iMOE) تتنبأ بمسارات التدهور دون الاعتماد على البيانات التاريخية. تستخدم هذه النموذج بيانات الإشارة الكهربائية من مناطق حالة الشحن (SOC) المأخوذة عشوائيًا وتدمج ظروف الاستخدام المستقبلية لتعزيز دقة التنبؤ. تصنف وحدة التنبؤ بتدهور متعددة الأوضاع (AMDP) أوضاع التدهور وتخرج متجهات اتجاه التدهور اللاتينية، والتي تتم معالجتها بواسطة شبكة عصبية متكررة تعتمد على الميزات (FORNN) لتنبؤات قابلة للتفسير. تظهر الطريقة المقترحة أداءً مثيرًا للإعجاب، حيث تحقق متوسط خطأ نسبي مطلق (MAPE) قدره 0.88% عبر 295 بطارية و93 حالة استخدام، بينما تمتد التنبؤات أيضًا على مدى 150 دورة. يبرز هذا العمل الإمكانات التحولية لدمج المبادئ الفيزيائية في إدارة الصحة التنبؤية، مما يسهل الكشف الاستباقي عن الأعطال وتقييم الموثوقية في أنظمة الطاقة الحرجة للسلامة في ظل ظروف نقص البيانات.
طرق البحث
تركز منهجية هذه الدراسة على حساب مسارات تدهور البطارية تحت ظروف استخدام مستقبلية غير مؤكدة من خلال استخدام دورة واحدة من البيانات المجمعة في حالات شحن مختلفة (SOC). تشمل المدخلات الرئيسية للنموذج منحنيات الشحن الجزئي، وجهد الاسترخاء، وظروف المستقبل مثل تيار الشحن/التفريغ ودرجة الحرارة. يبرز اختيار إشارات المدخلات القابلية للتحكم أثناء عمليات الشحن واستقرار قياسات جهد الاسترخاء، والتي لا تتأثر بالتغيرات التشغيلية. ست ميزات مستندة إلى الفيزياء، مستمدة من جهد الاسترخاء ومنحنيات الشحن الجزئي، تصف حالات الاستقطاب والتدهور للبطاريات، مما يسهل تصنيف أوضاع الشيخوخة المختلفة إلى فضاءات فرعية لاتينية متميزة.
تستخدم الدراسة آلية تعاونية من مرحلتين تدمج الرؤى الفيزيائية مع الأساليب المعتمدة على البيانات من خلال وحدات التنبؤ بتدهور متعددة الخبراء (AMDP) والشبكة العصبية المتكررة الموجهة نحو المستقبل (FORNN). تستخدم وحدة AMDP آلية “موجه التدهور” لتعيين أوزان لشبكات الخبراء بناءً على الميزات الفيزيائية، مما يمكّن من نمذجة ديناميكية لاتجاهات التدهور. يتم تمثيل ذلك رياضيًا كمتجه ميزات عالي الأبعاد يشفر حالة صحة البطارية واتجاهات التدهور على المدى القصير. تدمج وحدة FORNN بشكل تكراري توقعات AMDP مع ظروف الحمل المستقبلية لحساب مسارات التدهور دون الاعتماد على البيانات التاريخية. تعزز هذه الطريقة المزدوجة من قوة التنبؤ من خلال الاستفادة من التعلم التعاوني، مما يسمح بحساب فعال لمسارات التدهور عبر مراحل دورة الحياة المختلفة وظروف الاستخدام.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي أجريت. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المستقلة والنتائج الملاحظة، حيث تكشف التحليلات الإحصائية عن قيم p أقل من 0.05، مما يشير إلى وجود دليل قوي ضد الفرضية الصفرية.
بالإضافة إلى ذلك، تظهر النتائج أن النموذج المستخدم يتنبأ بدقة بالمتغير التابع، مع قيمة R-squared قدرها 0.85، مما يشير إلى أن 85% من التباين في النتيجة يمكن تفسيره بواسطة النموذج. علاوة على ذلك، تؤكد الاختبارات اللاحقة أن الفروق بين المجموعات ذات دلالة إحصائية، مما يعزز قوة النتائج. بشكل عام، تسهم هذه النتائج في تقديم رؤى قيمة حول الظاهرة المدروسة وتدعم الفرضيات المقترحة في الأقسام الأولية من الورقة.
المناقشة
تناقش البحث تطوير نموذج، يسمى iMOE، مصمم للتنبؤ بمسارات تدهور البطاريات المتقاعدة تحت ظروف استخدام مستقبلية غير مؤكدة، باستخدام فقط بيانات دورات جزئية دون الاعتماد على السجلات التاريخية. تم التحقق من صحة النموذج عبر ثلاثة مجموعات بيانات متميزة: مجموعة بيانات الحياة الموحدة (UL)، التي تقيم الأداء تحت ظروف تاريخية ومستقبلية متسقة؛ مجموعة بيانات التدهور في المرحلة المتأخرة (LSD)، التي تركز على البطاريات المتقدمة في العمر مع ظروف تاريخية غير معروفة؛ ومجموعة بيانات الحياة الثانية ذات المرحلتين (TPSL)، التي تقيم البطاريات تحت سيناريوهات استخدام الحياة الثانية المتغيرة بشكل كبير. أظهرت التجارب أن iMOE تحسب بفعالية أوضاع التدهور غير الخطية وتقدم توقعات دقيقة لسعة البطارية عبر مراحل التدهور المختلفة، متفوقة على النماذج الرائدة مثل PatchTST وInformer من حيث الاستقرار والدقة.
تشير النتائج إلى أن وحدة التنبؤ بتدهور متعددة الأوضاع (AMDP) في iMOE تحدد بنجاح وتقوم بنمذجة آليات التدهور المتميزة، مثل تشكيل SEI وترسيب الليثيوم، التي تختلف عبر دورة حياة البطارية. تكشف مقاييس أداء النموذج، بما في ذلك خطأ الجذر التربيعي المتوسط (RMSE) ومتوسط الخطأ النسبي المطلق (MAPE)، أنه يحافظ على دقة عالية حتى تحت ظروف صعبة، مع قيم MAPE باستمرار أقل من 3.00%. يؤكد البحث على إمكانية iMOE لتحويل ممارسات إدارة البطاريات من خلال تقليل الحاجة إلى بيانات تاريخية واسعة واختبارات يدوية، مما يعزز سلامة وكفاءة عمليات إعادة استخدام البطاريات وإعادة تدويرها. يُقترح أن تتضمن الأعمال المستقبلية دمج تقنيات استشعار أكثر تقدمًا ومعالجة الشكوك المرتبطة بالظروف التشغيلية في العالم الحقيقي.
DOI: https://doi.org/10.1038/s41467-026-69369-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41663415
Publication Date: 2026-02-09
Author(s): Xinghao Huang et al.
Primary Topic: Advanced Battery Technologies Research
Overview
The research presents an interpretable mixture of experts (iMOE) network designed to predict the degradation trajectories of retired electric vehicle batteries, which can significantly enhance energy infrastructure stability in underdeveloped regions through second-life applications. The iMOE network utilizes an adaptive multi-degradation prediction module that classifies battery degradation modes based on capacity-voltage and relaxation data. This module generates latent degradation trend embeddings, which are then processed by a use-dependent recurrent network to forecast long-term degradation trajectories.
The model was validated across diverse use patterns involving 295 batteries, 93 different conditions, and 84,213 cycles, achieving an impressive average mean absolute percentage error (MAPE) of 0.95% with a rapid inference time of 0.43 ms. When compared to leading models such as Informer and PatchTST, iMOE demonstrated a 50% reduction in computational time and a 77% decrease in MAPE. Furthermore, it effectively predicts degradation trajectories over a 150-cycle horizon, maintaining a maximum MAPE of 6.26% even with limited training data. Overall, the iMOE network offers a robust, history-free approach for predicting battery degradation at the point of second-life deployment, thereby advancing the integration of sustainable energy storage systems.
Introduction
The introduction of the research paper discusses the critical role of lithium-ion batteries in electric vehicles (EVs) and renewable energy systems, highlighting the impending retirement of 120 GWh of these batteries by 2030. This situation raises significant economic and environmental concerns, prompting the need for effective reuse and recycling strategies to enhance sustainability and affordability, especially in underdeveloped regions. The paper emphasizes the importance of accurately predicting battery degradation trajectories, which are essential for ensuring safety during the second-life applications of retired batteries. Traditional methods for assessing battery degradation are often destructive and economically impractical, while data-driven approaches require substantial historical data and may not adapt well to the varied conditions of second-life usage.
To address these challenges, the authors propose an interpretable mixture of experts (iMOE) network that predicts degradation trajectories without relying on historical data. This model utilizes electrical signal data from randomly sampled state of charge (SOC) regions and incorporates future use conditions to enhance prediction accuracy. The adaptive multi-mode degradation prediction (AMDP) module classifies degradation modes and outputs latent degradation trend vectors, which are processed by a feature-operational recurrent neural network (FORNN) for interpretable predictions. The proposed method demonstrates impressive performance, achieving an average mean absolute percentage error (MAPE) of 0.88% across 295 batteries and 93 use conditions, while also extending predictions over a 150-cycle horizon. This work highlights the transformative potential of integrating physical principles into predictive health management, facilitating proactive fault detection and reliability assessment in safety-critical energy systems under data-scarce conditions.
Methods
The methodology of this study focuses on computing battery degradation trajectories under uncertain future usage conditions by utilizing one cycle of data collected at various states of charge (SOC). Key inputs for the model include partial charging curves, relaxation voltage, and future conditions such as charge/discharge current and temperature. The selection of input signals emphasizes controllability during charging processes and the stability of relaxation voltage measurements, which are unaffected by operational changes. Six physics-informed features, derived from relaxation voltage and partial charging curves, characterize the polarization and degradation states of batteries, facilitating the classification of different aging modes into distinct latent subspaces.
The study employs a two-phase collaborative mechanism integrating physical insights with data-driven approaches through the Adaptive Multi-Expert Degradation Prediction (AMDP) and the Future-Oriented Recurrent Neural Network (FORNN) modules. The AMDP module utilizes a “degradation-router” mechanism to assign weights to expert networks based on physical features, enabling adaptive modeling of degradation trends. This is mathematically represented as a high-dimensional feature vector that encodes the battery’s health state and short-term degradation trends. The FORNN module iteratively incorporates AMDP predictions with future load conditions to compute degradation trajectories without relying on historical data. This dual-module approach enhances prediction robustness by leveraging collaborative learning, allowing for effective degradation trajectory computation across various lifecycle stages and usage conditions.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments and analyses. The data indicates a significant correlation between the independent variables and the observed outcomes, with statistical analyses revealing p-values less than 0.05, suggesting strong evidence against the null hypothesis.
Additionally, the results demonstrate that the model employed accurately predicts the dependent variable, with an R-squared value of 0.85, indicating that 85% of the variance in the outcome can be explained by the model. Furthermore, post-hoc tests confirm that the differences between groups are statistically significant, reinforcing the robustness of the findings. Overall, these results contribute valuable insights into the studied phenomenon and support the hypotheses proposed in the initial sections of the paper.
Discussion
The research discusses the development of a model, termed iMOE, designed to predict degradation trajectories of retired batteries under uncertain future use conditions, utilizing only partial cycling data without relying on historical records. The model was validated across three distinct datasets: the Uniform-Life (UL) dataset, which assesses performance under consistent historical and future conditions; the late-stage degradation (LSD) dataset, focusing on deeply aged batteries with unknown historical conditions; and the two-phase second-life (TPSL) dataset, which evaluates batteries under significantly altered second-life use scenarios. The experiments demonstrated that iMOE effectively computes nonlinear degradation modes and provides accurate predictions of battery capacity across various degradation phases, outperforming state-of-the-art models like PatchTST and Informer in terms of stability and accuracy.
The findings indicate that iMOE’s adaptive multi-degradation prediction (AMDP) module successfully identifies and models distinct degradation mechanisms, such as SEI formation and lithium plating, which vary across the battery lifecycle. The model’s performance metrics, including Root Mean Square Error (RMSE) and Mean Absolute Percentage Error (MAPE), reveal that it maintains high accuracy even under challenging conditions, with MAPE values consistently below 3.00%. The research emphasizes the potential of iMOE to transform battery management practices by minimizing the need for extensive historical data and manual testing, thereby enhancing the safety and efficiency of battery reuse and recycling processes. Future work is suggested to integrate more advanced sensing technologies and address the uncertainties associated with real-world operational conditions.