浅析电化学仿真技术助力动力电池研发数字化转型

当下正处于百年未遇的大变革时代，汽车产业正在加速电动化转型。得益于政府支持，近年来中国新能源汽车产业得到了快速的发展。动力电池作为新能源汽车的核心部件，是汽车产业电动化转型的关键支撑，各大动力电池企业都在加速推进新一代电芯产品的研发。能不能在新产品的研发上率先取得进一步突破，决定了企业在接下来更加激烈的市场竞争中能否取得先机。因此，探索一条更加高效、快速、精准的研发路线（研发模式），对于动力电池企业提升自身竞争力来说非常重要。

一、锂电池研发现状

近年来锂电领域已经表现出创新乏力的疲态，主流公司的代表性创新技术大多集中在结构创新方面，比如2170、4680、刀片电池、蜂窝结构、SPS 、CTP、CTC、麒麟电池、AB电池等。而对于电池本身的创新，除了个别公司外（如特斯拉引入的干电极技术），鲜有报道。造成这种现象的一个原因是结构设计领域有大量成熟的商业软件作为结构设计工具帮助工程师进行快速精准的虚拟设计评估，而电化学设计领域还处于行业发展的初期阶段，行业积淀并不深，电化学设计工具缺席，所以研发模式上还是以传统的实验试错方式为主。



图片来自仿真秀-贾老师服务项目

这种低效的研发模式导致研发投入极大、研发周期较长，不利于新技术的快速突破。基于试错积累经验指导创新的模式在处理复杂多因素工程问题时本身就容易产出片面化结论，难以应对多维度设计寻优问题。另外，试错式研发过度依赖个人经验，不利于企业的研发知识沉淀，甚至会引入一些错误的经验。比如，在镍氢电池时代工程师总结出一套基于HPPC测试表征电池功率能力的方法，这种方法作为经验被引入到锂电池功率表征中。

然而，实际应用中发现这种方式计算出的功率很多情况下都跟电池实际功率偏差极大，之后才又发展出试电流试功率的表征方法，虽然表征结果更为精准，但是测试效率有待提升。 相比与电芯的“身外之物”——结构方面的创新，聚焦在电芯主体上，围绕关键本征属性（能量密度、充电能力、功率、安全性、寿命）与目标市场工况及成本之间的多因子交互设计创新更能体现一个企业的技术实力。

因此，目前行业对于电化学正向设计的需求非常强烈，部分公司已经在尝试借鉴其他成熟行业发展规律，依托仿真技术来搭建自己的数字化正向设计能力，为接下来更加激烈的市场竞争提前准备。

二、锂电池仿真技术现状及发展趋势

目前锂电池仿真技术根据建模简化等效原理大致可以分为几类：基于响应行为等效处理模型(等效电路)、考虑部分物理过程的半物理模型(单颗粒、集总电池)、基于简化图像描述电极物理过程的准物理模型(P2D)、基于非简化极片结构的3D电化学重构模型以及多场耦合模型。

数学层面上，仿真模型技术本身正在朝着能够描述更多物理过程的方向发展(或者模型与实体对象的物理相似度越来越高的方向发展)。但是考虑实际工程场景下，仿真模型的应用一方面受限于数学建模技术，另一方面也受限于实验建模技术(建模表征技术)，所以尽管当前已经有不少高物理相似度的电化学模型报道（如3D重构电化学模型、3D多场耦合等），但是这类模型在工程实践中的应用并不多，反而是P2D框架下衍生出来的模型在工程实践中应用的越来越广泛。

比如，市场上的可以提供锂电池仿真功能的软件COMSOL、Autolion、BDS等都内置了P2D模型作为电化学仿真的基础模型。这些软件中Comsol的应用更为广泛，但是也还存在一些缺陷，不能够直接作为电池设计工具来发挥作用。首先，缺乏设计语言翻译建模引导，使得经验设计语言与模型语言之间无法互译，工程师不知道如何把设计文档转换为建模输入，进而无法嵌入到研发设计流程当中；其次，缺乏典型工程场景下从实验输入到仿真输出的标准化SOP，工程师不知道如何设计建模实验或者基于已有实验结果完成建模。Autolion、BDS两款软件开发的初衷就是作为电池设计工具的，但是这两款软件主要是打包了一些现成的学术成果，结合工程实践进行模型创新方面的工作做的比较少，所以行业应用比较有限。

需要说明的是，电化学仿真理论本身还不成熟，一些工程仿真需求目前还没有完善解决方案，或者说仿真方案还没有标准化，还在持续完善进化中。以老化过程建模为例，虽然学术上针对不同的老化机理都有相应的研究，原则上已经可以考虑电池的老化过程，但是实际工程场景下真实发生的老化过程与文献中的学术场景相去甚远。

电池老化是一个复杂的多机理演化过程，不同阶段起主导作用的衰减过程是不同的，要准确的描述电池老化行为，需要配合相应的表征手段识别到相应的老化机理以及老化机理的演化时序，否则就不能跟工程实际吻合，即使能在数学上能复现老化现象(也只是一个数学拟合游戏)，也没办法真正提供有工程意义的指导。

大量这类需求的存在，就要求仿真模型/软件要保留一定的开放可进化特点，所以电化学仿真软件预留一定的开放性接口非常必要。针对处于发展中的领域，仿真工具预留足够的开放接口，在应用中不断迭代升级是一种比较灵活的软件规划策略。

电化学仿真理论的不成熟一方面带来了工程应用的困难，另一方面也为国产软件公司提供了潜在突破机会。近年来，陆续有一些国内公司开始加入电池设计工业软件的开发中，比如易来科得、屹艮科技、海仿科技、鸿阳智能、北理新源信息科技等。

其中部分公司已经展示出一些初步的代表性技术创新。以易来科得为例，与以往的简单打包现成学术成果模式不同，这家公司与清华大学李哲老师合作在极片模型上做了一些创新工作。他们通过引入类球棍几何的方式搭建了非均相电极模型，提供了包含粒径、导电剂等元素的直观物理对应，在极片层级上丰富了设计参数输入自由度，提高了模型与真实极片之间的物理相似度。

不过，通过几何方式提升模型的物理相似度的方式本身还是有一些局限性的:即使采用类球棍结构堆叠的模型跟真实不规则颗粒堆叠电极结构之间的差异也很大；更多的几何细节对于网格划分及求解的收敛性往往带来不便，同时计算周期往往会增加很多。

对于电极精细模型而言几何修正并不是唯一方式，还有很多其他途径可以引入亚极片层级精细描述，比如近年来从一线工程实践中发展起来的P2.5D模型就是一种非几何修正的模型。可以预期，随着技术的进步电化学仿真领域未来可能会有更多创新技术涌现。

从目前的行业状态中可以看出锂电池仿真技术未来的主流发展趋势。一方面，随着行业对研发设计评估效率的追求，锂电项目研发过程中仿真手段的参与正在变得不可或缺。另一方面，在利用仿真技术解决研发问题的过程中也可以持续不断的积累先进工程实践经验，迭代升级出更有工程价值更有生命力的仿真技术手段。

这就为仿真技术持续进化为设计工具平台提供了强的需求驱动力和技术发展土壤，为仿真技术的发展提供一个良性循环条件。因此，随着正向设计需求越来越强烈，锂电池电化学仿真朝着设计工具、设计平台的方向发展的趋势越来越清晰。

从更长远的视角来看也可以借鉴半导体电子行业的发展经验。半导体电子行业中每一个电子元器件都生成一个虚拟器件，借助仿真技术就可以直接拿虚拟器件在软件设计平台内进行数字设计，大大减少实物制样测试费用和周期。未来，锂电领域也趋向于发展出一套完整的软件设计平台（在行业的上下游提供数字材料、数字电芯、虚拟整车等服务），提供自动化、标准的测试和仿真分析流程，帮助电池企业实现电池研发数据的全过程追溯，以及跨部门、跨组织的研发协同。甚至在统一的研发框架下通过标准的流程驱动行业上下游协同研发，在行业的宏观维度上进一步缩短全链研发周期降低研发成本。

三、锂电池仿真技术亟待解决的问题

业界对仿真技术的终极诉求是以虚拟代替实体，期望在不进行实验的情况下直接通过仿真手段给出最优工程方案。这是极难达到的，更加务实的方式是基于必要的实验联合仿真来：减少昂贵的实验试错研发成本（投料制样、测试表征、迭代优化）、缩短漫长的研发周期、量化定性结论、确定产品应用边界、探索未知场景、评估技术路线等。

这些诉求就要求仿真技术要具备高准确度（计算结果可信度高，提供强指导性）、高效率（快速建模、快速计算、快速输出）、高通用性（兼容复杂多样化的工况）等特征。但是实际情况下很多具体需求都还难以实现，这是因为电化学理论还非常年轻还不够成熟，这也是电化学仿真难度比较大的重要原因。我们可以把电化学跟传统成熟仿真领域(比如结构仿真)的特点做一个简单对比：

1.学科发展史

大约20世纪末传统电化学理论接近完备，纽曼模型也才 ≈ 40年历史！

结构力学19世纪中叶开始成为一门独立的学科。

2.建模参数

（1）电化学:

a.参数数量：以纽曼模型为例，需要确定~50多个参数(热力学动力学微结构等）

b.物理意义：电化学领域存在参数物理意义不直观(迂曲度扩散系数迁移率传递系数等 )、测量理论不自洽 (比如扩散系数有EIS、GITT、PITT等测试手段，但是测试结果之间无法自洽)

c.表征获取：需要结合具体工况选用合理的近似测试理论，测试条件复杂

（2）结构力学：

参数少、物理意义清晰、测试容易

3.理论因变量

电化学：浓度、电极电位等(难以测量，需要构建稳定、重现、可逆的参比电极）

结构力学：位移

4.工况复杂度与精度需求

电化学运行工况复杂多样(CV、EIS、CCCV、MCCV、CPCV、DCR、HPPC、HL、NEDC、WLTC、CLTC、Cycle、Calendar等)，并且电化学行为对工作环境温度、倍率、荷电状态等非常敏感；市场对仿真的结果数值精度要求极高

结构力学工况相对简单，对结果的绝对精度要求不高

5.多物理效应

电化学反应过程本身会伴随有显著的热交互、应力/变形物理过程，所以电化学仿真天然涉及多物理耦合，模型的数学复杂度高。

以上对比就可以看出，电化学理论还处于发展阶段，还需要在理论和工程实践上投入大量创造性的研究工作。

图片来自仿真秀-贾老师服务项目 建模输入的问题

从研发角度来说，工程师总是希望建模的实验输入尽可能简化，避免繁琐的额外测试，最理想的情况是不做实验输入，就像第一性原理仿真那样(实际上第一性原理仿真更不成熟，在工程上的应用更为有限)。然而对于电化学这种唯像理论模型来说，往往又需要非常完善的实验输入，才能确保模型的物理预测能力。因此，如何用尽可能简单的实验输入完成建模也是锂电池仿真领域一个痛点问题。另外，模型中有大量物理意义不直观，测试表征理论不自洽，难以(甚至不可以)直接测量的物理参数。

准确性问题

准确性是任何仿真技术都绕不开的话题，仿真准确性/预测能力的基础是：清晰准确的机理+高物理相似度的模型+稳定量化的输入。也就是说仿真准确性受限于理论和实验技术两方面的限制，光有先进的理论（提供清晰准确的机理和高物理相似度的模型）而没有先进的实验表征手段（来获取稳定量化的输入）也无法保证仿真的准确性！这一点在工作中往往是很容易被忽略的。很多时候仿真不准确大家都会直接去找理论/模型的缺陷，但是问题可能出在实验输入环节，比如，建模输入采用了一个可信度存疑的实验结果。提升准确性的一个最为有效的方法是在研发过程中制定标准化的仿真实验迭代修正流程，在项目研发的不同阶段逐步迭代修正实验建模技术。

建模标准化问题

对于研发应用来说只有实现操作标准化、流程标准化才能达到提效降本的作用。目前，锂电池仿真模型有一部分已经可以实现工程标准化。这类模型的特点是，物理过程/现象的机理清晰，学术界认识统一，模型的输入量和输出量有明确的学术定义，且可表征、可量化。针对这种场景，建模仿真的主要工作只需要在既定的框架下把工程场景翻译成模型的数学语言，建模可操作性强。不幸的是，锂电领域还有大量非标准化建模场景。比如，建立材料、极片配方等影响循环寿命的理论模型。

这类情况下，往往学术界未关注到或者认知有争议，问题悬而未决，理论缺口大，建模的输入量都难以识别。这种场景建模难度就比较大了，往往需要仿真/机理工程师基于待研究问题识别/转换关键输入量，根据主观认知，提出潜在的机理假设，从头构建输入量与输出量之间的理论关系模型。对于这类非标建模，工程上很难一步获得较好的模型，采用分阶段逐步迭代完善建模思路更加实用。比如，搭建一个开放的模型框架，在工程实践中逐步使得模型从 black box到gray box最终往white box发展。

模型求解的问题

随着模型朝着高物理相似度方向进化，模型的数学复杂度也大幅度提高了，伴随而来的往往是求解时间成本和收敛性问题。对于研发场景，单次运行时间在几分钟以内是一个比较合适的计算耗时，如果太长就会带来比较差的计算体验。对于仿真替代实验测试场景，综合时间周期缩短到实测周期的~1/10以下，才会比较符合工程期许，才有显著工程应用吸引力。收敛性方面，模型越复杂，尤其是模型几何上增加复杂细节，收敛性越差。需要一些创造性的解决方案来平衡收敛性和物理细节之间的关系。

这里特别说明一点，模型物理描述的复杂程度与模拟结果准确性之间不是等价的，甚至实践中往往是相反的！原因是，更复杂的模型，需要额外增加更多的输入内容，而这些输入内容相比常规输入往往更难获取、测试更不稳定，而不稳定的输入必然造成不稳定的输出。所以复杂模型本身不能提高仿真准确度，但是它可以引入更多的物理细节描述，拓展模型的物理描述能力，比如P2D模型无法描述非均质行为， 3D微结构电化学模型可以描述电极内的非均质行为，而准确性不是模型本身能够单方面决定的。所以，对于准确性的追求，单单是模型技术的进步是不够的，还需要先进的实验建模技术来提供支持。

除了以上提及的这些问题之外，锂电池仿真还有很多其他问题需要解决，比如，工程欠约束条件下的多解问题等，这里就不一一展开了。

图片来自仿真秀-贾老师服务项目

四、浅聊一下大数据

大数据也是近几年来的高频热词，很多领域也在尝试利用大数据来辅助研发。但是在锂电池研发过程中，大数据应用的场景不太明朗。锂电研发属于重资产投入场景，所以核心诉求是尽可能减少实验试错，从而减少实验迭代次数，减少测试量。基于这个诉求，锂电研发过程往往是希望数据量少而精准，追求的是精准“小数据”，这就无法满足大数据技术对“数据大”的要求。反而在锂电生产制造过程中，产线上会产生大量数据，在这个场景下，引入大数据技术更具落地可行性，更容易产生实际工程价值。

五、写在最后

随着行业的发展，仿真技术在研发过程中的参与度必然会越来越高，最终会朝着设计工具设计平台的方向发展。一方面会促使研发技术模式的升级，另一方面也会促进仿真技术本身的发展，两者相辅相成。目前国际上还没有针对锂电仿真的专业软件，这就为国内锂电仿真软件的发展提供了机遇。不过当前还有不少锂电研发人员对仿真技术比较陌生，还不能够科学地看待仿真技术、科学地运用仿真技术。这里对仿真技术简单总结如下几点：

建模仿真的核心任务：是把物理世界的现象/过程通过数学语言描述出来；

建模仿真的工作要点：是用尽可能简单的数学语言尽可能准确的描述待研究的物理问题/过程/现象；

模型预测能力基础是：清晰准确的机理+高物理相似度的模型+稳定量化的输入。

审核编辑：刘清