物理学強化型ディープラーニングを用いたリチウムイオン電池の能動的熱暴走予報

arXiv:2604.20175v1 Announce Type: new 本文書（要約）：リチウムイオン電池における熱暴走の高精度予測は、現代のエネルギー蓄積システムにおける安全性、効率、信頼性の確保にとって不可欠です。従来のデータ駆動型アプローチ、例えば長短期記憶（LSTM）ネットワークは、複雑な時間依存性を捉えることができますが、熱力学原理を違反することが多く、結果として物理的に整合性の取れない予報をもたらします。一方、物理学ベースの熱モデルは解釈可能性を提供しますが、計算コストが高く、リアルタイムアプリケーションへのパラメータ化が困難です。このギャップを埋めるため、本稿では、物理学ベースの正則化項を通じて、支配的な熱移動方程式をディープラーニングアーキテクチャに直接統合する、物理学情報型長短期記憶（PI-LSTM）枠組みを提案します。このモデルは、荷電状態、電圧、電流、機械的応力、表面温度を含む多特性入力シークエンスを活用し、熱拡散の制約を適用しながら電池温度の進化を予報します。13 組のリチウムイオン電池データセットで行われた大規模実験により、提案された PI-LSTM は、標準 LSTM ベースラインと比較して平方根平均誤差（RMSE）を 81.9%、絶対平均誤差（MAE）を 81.3% 削減でき、かつ畳み込みニューラルネットワーク LSTM（CNN-LSTM）および多層パーセプトロン（MLP）モデルよりも大幅に優れていることを示しました。物理制約の追加は、モデルの汎用性を向上させ、多様な動作条件下に対応可能となり、物理上不合理的な温度変動を排除しました。これらの結果は、物理学情報型ディープラーニングが、次世代電池システムにおける解釈可能で、正確で、リアルタイムの熱管理に向けた確かな道を開示することを確認しています。

arXiv:2604.20175v1 Announce Type: new Abstract: Accurate prediction of thermal runaway in lithium-ion batteries is essential for ensuring the safety, efficiency, and reliability of modern energy storage systems. Conventional data-driven approaches, such as Long Short-Term Memory (LSTM) networks, can capture complex temporal dependencies but often violate thermodynamic principles, resulting in physically inconsistent predictions. Conversely, physics-based thermal models provide interpretability but are computationally expensive and difficult to parameterize for real-time applications. To bridge this gap, this study proposes a Physics-Informed Long Short-Term Memory (PI-LSTM) framework that integrates governing heat transfer equations directly into the deep learning architecture through a physics-based regularization term in the loss function. The model leverages multi-feature input sequences, including state of charge, voltage, current, mechanical stress, and surface temperature, to forecast battery temperature evolution while enforcing thermal diffusion constraints. Extensive experiments conducted on thirteen lithium-ion battery datasets demonstrate that the proposed PI-LSTM achieves an 81.9% reduction in root mean square error (RMSE) and an 81.3% reduction in mean absolute error (MAE) compared to the standard LSTM baseline, while also outperforming CNN-LSTM and multilayer perceptron (MLP) models by wide margins. The inclusion of physical constraints enhances the model's generalization across diverse operating conditions and eliminates non-physical temperature oscillations. These results confirm that physics-informed deep learning offers a viable pathway toward interpretable, accurate, and real-time thermal management in next-generation battery systems.