Predicción de la fuga térmica de baterías mediante aprendizaje automático explicable y optimizado con Optuna bajo condiciones de desequilibrio de clases
Autores: Abed, Abir El; Nassreddine, Ghalia; Al-Khatib, Obada; Nassereddine, Mohamad; Hellany, Ali
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Predicción de la fuga térmica de baterías mediante aprendizaje automático explicable y optimizado con Optuna bajo condiciones de desequilibrio de clases
Categoría
Energía
Subcategoría
Energía térmica
Palabras clave
Sistemas de almacenamiento de energía
Baterías de iones de litio
Fuga térmica
Método de aprendizaje automático
Modelo XGBoost
Predictores de fuga térmica
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 21
Citaciones: Sin citaciones
Los sistemas modernos de almacenamiento de energía tanto para la energía como para el transporte están altamente relacionados con las baterías de iones de litio (LIBs). Sin embargo, su seguridad depende de un modo de fallo potencialmente peligroso conocido como fuga térmica (TR). Predecir y clasificar las causas de TR puede mejorar ampliamente la seguridad de los sistemas de energía y transporte. Este documento presenta un método avanzado de aprendizaje automático para pronosticar y clasificar las causas de TR. Se utilizó un modelo generativo para la generación de datos sintéticos para manejar el desequilibrio de clases en el conjunto de datos. Se realizó una optimización de hiperparámetros utilizando Optuna para cuatro clasificadores: Máquina de Vectores de Soporte (SVM), Perceptrón Multicapa (MLP), red tabular (TabNet) y Aumento de Gradiente Extremo (XGBoost). Se utilizó un enfoque de validación cruzada de tres pliegues para garantizar una evaluación robusta. Se utiliza una base de datos de código abierto de eventos de fallo de LIB para el entrenamiento y prueba del modelo. El modelo XGBoost supera a los otros modelos en todas las categorías de TR al lograr un 100% de precisión y un alto recall (1.00). Los resultados del modelo se interpretaron utilizando el análisis de SHapley Additive exPlanations para investigar los factores más significativos en los predictores de TR. Los hallazgos muestran que los indicadores importantes de TR incluyen energía ajustada por calor y pérdida de peso, potencia del calentador, temperatura media de la celda al activarse y duración del calentador. Estos hallazgos guían el diseño de sistemas de baterías más seguros y sistemas de monitoreo preventivo para aplicaciones reales. Pueden ayudar a los expertos a desarrollar sistemas de gestión de baterías más eficientes, mejorando así el rendimiento y la longevidad de los dispositivos que funcionan con baterías. Al mejorar el conocimiento predictivo de los mecanismos de fallo impulsados por la temperatura en las LIBs, el estudio avanza directamente en los dominios de análisis térmico y seguridad del almacenamiento de energía.
Descripción
Los sistemas modernos de almacenamiento de energía tanto para la energía como para el transporte están altamente relacionados con las baterías de iones de litio (LIBs). Sin embargo, su seguridad depende de un modo de fallo potencialmente peligroso conocido como fuga térmica (TR). Predecir y clasificar las causas de TR puede mejorar ampliamente la seguridad de los sistemas de energía y transporte. Este documento presenta un método avanzado de aprendizaje automático para pronosticar y clasificar las causas de TR. Se utilizó un modelo generativo para la generación de datos sintéticos para manejar el desequilibrio de clases en el conjunto de datos. Se realizó una optimización de hiperparámetros utilizando Optuna para cuatro clasificadores: Máquina de Vectores de Soporte (SVM), Perceptrón Multicapa (MLP), red tabular (TabNet) y Aumento de Gradiente Extremo (XGBoost). Se utilizó un enfoque de validación cruzada de tres pliegues para garantizar una evaluación robusta. Se utiliza una base de datos de código abierto de eventos de fallo de LIB para el entrenamiento y prueba del modelo. El modelo XGBoost supera a los otros modelos en todas las categorías de TR al lograr un 100% de precisión y un alto recall (1.00). Los resultados del modelo se interpretaron utilizando el análisis de SHapley Additive exPlanations para investigar los factores más significativos en los predictores de TR. Los hallazgos muestran que los indicadores importantes de TR incluyen energía ajustada por calor y pérdida de peso, potencia del calentador, temperatura media de la celda al activarse y duración del calentador. Estos hallazgos guían el diseño de sistemas de baterías más seguros y sistemas de monitoreo preventivo para aplicaciones reales. Pueden ayudar a los expertos a desarrollar sistemas de gestión de baterías más eficientes, mejorando así el rendimiento y la longevidad de los dispositivos que funcionan con baterías. Al mejorar el conocimiento predictivo de los mecanismos de fallo impulsados por la temperatura en las LIBs, el estudio avanza directamente en los dominios de análisis térmico y seguridad del almacenamiento de energía.