机器之心数据服务现已上线，提供高效稳定的数据获取服务，简化数据爬取流程。

本研究解决了现场电池模型表征中电化学参数估计的问题。提出了一种结合物理信息神经网络和迁移学习的创新框架，能够在实时电池管理系统上有效估算相关电化学参数，并显著降低计算成本。实验结果显示，该方法在特定降级条件下准确估计了NMC电池的活性材料体积分数，具有良好的实施潜力。

2022年7月，林志颖驾驶的特斯拉Model X发生车祸并起火，引发人们对新能源汽车碰撞起火的关注。锂离子电池的热失控会导致爆炸失火，如何确保锂电池的安全运行是一个难题。武汉理工大学提出了一种集成学习+FIE的简化电化学模型，可以精确预测锂离子浓度变化。南京大学和新中能源开发了一个火患和爆炸管理系统，利用数字孪生技术预测电池状态。上海交通大学提出了一种半监督学习技术，提高了锂电池寿命预测的准确性。

武汉理工大学康健强团队提出了一种集成学习+FIE的简化电化学模型，可以更准确地预测锂离子电池的电压。该模型结合了离散时间实现算法、分数阶帕德逼近和三参数抛物线近似，计算复杂度低于传统模型。研究人员还使用一阶惯性元件简化锂离子在电解质中的迁移，精确预测了电解质中的锂离子浓度。该模型为未来智能化的电池管理系统提供了技术支持。锂电池的安全运行是电动汽车领域的难题，该模型可以帮助确保锂电池的安全运行。

本研究利用贝叶斯优化方法调整镍锰钴 - 石墨电池的动态参数，对比了梯度下降和粒子群优化方法，结果显示贝叶斯优化方法在平均测试损失上优于梯度下降和粒子群优化方法分别可减少 28.8% 和 5.8%，同时显著降低了测试损失的方差分别为 95.8% 和 72.7%。