إطار عمل LSTM–PINN واعٍ بدرجة الحرارة والممانعة لتنبؤ متسق فيزيائياً بحالة صحة البطارية

لماذا تهم صحة البطارية الذكية

تُشغّل بطاريات أيون الليثيوم هواتفنا وأجهزة الكمبيوتر المحمولة والسيارات الكهربائية وحتى أجزاء من شبكة الكهرباء. ومع ذلك، تتآكل كل بطارية بهدوء مع مرور الوقت، فتفقد سعتها وتزداد مقاومتها إلى أن تتوقف عن أداء وظيفتها بأمان أو بكفاءة. معرفة مدى «صحة» البطارية — ومدى سرعة تدهورها — أمر حاسم لتصميم مركبات أكثر أماناً، وتجنب فترات التوقف المكلفة، والحصول على عمر أطول من مجموعات البطاريات الثمينة. تقدم هذه الدراسة طريقة جديدة للتنبؤ بصحة البطارية تمزج بين الذكاء الاصطناعي الحديث والأساسيات الفيزيائية لكيفية شيخوخة البطاريات.

طريقة جديدة لقراءة عمر البطارية

يركّز المؤلفون على مقياس رئيسي يسمى حالة الصحة (SOH)، والذي يعكس كيف تقارن السعة القابلة للاستخدام للبطارية بحالتها الأصلية. تستطيع أدوات التعلم العميق التقليدية مثل الشبكات العصبية المتكررة أن تتعلم أنماطاً معقدة في SOH عبر دورات شحن وتفريغ عديدة، لكنها غالباً ما تتطلب مجموعات بيانات ضخمة ويمكن أن تؤدي إلى سلوكيات خاطئة بوضوح — مثل أن تستعيد بطارية متآكلة سعتها بشكل سحري. أما النماذج القائمة على الفيزياء وحدها، فهي تلتزم بقوانين الكيمياء لكنها تميل لأن تكون بطيئة وصعبة النشر في الأجهزة اليومية. العمل الموصوف هنا يجمع بين العالمين باستخدام إطار هجين يدعى LSTM–PINN، الذي يربط شبكة تعلم تسلسلية بوحدة موجهة بالفيزياء تفرض اتجاهات تدهور واقعية.

تعليم النموذج سلوك البطاريات في العالم الحقيقي

في هذا الإطار، تراقب شبكة LSTM (الذاكرة الطويلة قصيرة الأمد) كيف يتطور SOH للبطارية عبر نافذة من الدوران السابقة جنباً إلى جنب مع درجة حرارتها ومقاومتها الكهربائية. من هذا التاريخ، تتعلم ملخصاً داخلياً مضغوطاً لحالة البطارية. ثم يُمرَّر هذا الملخص إلى «رأس» فيزيائي يُشفر قوانين شيخوخة بسيطة لكنها قوية: يجب أن تتدهور البطارية بشكل أحادي الاتجاه مع مرور الوقت؛ ودرجات الحرارة الأعلى يجب أن تسرّع الشيخوخة بطريقة تشبه أرهنيوس؛ وزيادة المقاومة الداخلية يجب أن تُسرّع التلف أكثر. بدلاً من حل معادلات معقدة تكون بطيئة جداً للاستخدام اليومي، يستخدم النموذج شبكة عصبية صغيرة لتقليد كيفية تأثير الممانعة (مقياس للمقاومة داخل الخلية) على معدل التدهور، مع الحفاظ على الشكل العام للشيخوخة مستنداً إلى الكهروكيمياء المعروفة.

مدى أداء النهج الهجين

اختبر الباحثون نموذجهم على مجموعة بيانات مستخدمة على نطاق واسع من وكالة ناسا تتعقب عشرات خلايا أيون الليثيوم أثناء شيخوختها تحت ظروف مخبرية محكمة. مقارنة بالأدوات القياسية مثل شبكات LSTM النقية، والشبكات الالتفافية، وغيرها من المناهج الموجَّهة بالفيزياء، حقق LSTM–PINN الجديد دقة أفضل بشكل ملحوظ وأنتج منحنيات SOH أكثر سلاسة وواقعية. كان متوسط خطأ التنبؤ حوالي نقطة مئوية واحدة، مع ارتباط عالٍ جداً بين الصحة المتوقعة والفعلية على مدار عمر البطارية بأكمله. أظهرت اختبارات الحساسية أن كل مكوّن فيزيائي يلعب دوراً مختلفاً: قاعدة التدرج الأحادي تمنع حدوث «استشفاء» مستحيل، ومصطلح الممانعة يحافظ على توقعات المدى الطويل من الانحراف، ومصطلح الحرارة يضمن أن الخلايا تشيخ أسرع عند تشغيلها في ظروف حارة كما تشير التجارب.

التعامل مع الشواذ والتخطيط للمستقبل

لا تشيخ جميع البطاريات بسلاسة تامة. تظهر بعض البطاريات «تجدد» مؤقت في السعة بعد فترة راحة، ما يظهر كانعطاف مؤقت في SOH المقاس. وبما أن النموذج يفرض عن عمد تراجعاً ثابتاً، فإنه يرفض مطاردة هذه النتوءات المحلية. قد يخلق هذا الاختيار أخطاء أكبر عند تلك النقاط القليلة لكنه يؤدي إلى توقعات طويلة الأمد أكثر موثوقية، وهو ما تهم به معظم التطبيقات. كما يُظهر المؤلفون أن المعلمات الفيزيائية التي تتعلمها الشبكة — مثل طاقة التنشيط التي تتحكم في كيفية تأثير الحرارة على تسريع التدهور — تقع ضمن نطاقات مذكورة في دراسات مخبرية، ما يشير إلى أن النموذج لا يكتفي بملاءمة منحنيات بل يكتشف قوانين ذات معنى وقابلة للتفسير. ويحددون خطوات مستقبلية مثل التنبؤ بالعمر المتبقي للاستخدام، وتقدير عدم اليقين لاتخاذ قرارات حرجة للأمان، وتكييف النهج على تصميمات خلايا مختلفة ببيانات محدودة.

ماذا يعني هذا للتقنية اليومية

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن المزج بين الفيزياء وتعلم الآلة يمكن أن يجعل توقعات صحة البطاريات أكثر ذكاءً وثقة. بدلاً من معاملة البطارية كصندوق أسود، يحترم هذا النموذج الهجين كيفية شيخوخة الخلايا الحقيقية — أسرع عند ارتفاع الحرارة، أسرع مع زيادة المقاومة الداخلية، ودائماً في اتجاه هبوطي عام. هذا المزيج من الدقة والثبات وقابلية التفسير قد يساعد مصنعي السيارات على تصميم أنظمة إدارة بطارية أفضل، وتوفير تقديرات مدى قيادة أكثر موثوقية، وتمديد العمر المفيد لحزم البطاريات المكلفة. على المدى الطويل، قد تدعم مناهج مثل هذه استخداماً أكثر أماناً وأرخص وأكثر استدامة للبطاريات التي تغذي عالمنا بشكل متزايد.

الاستشهاد: Kumar, P.N., Upadhya, P.R., Nischay, S. et al. A temperature- and impedance-aware LSTM–PINN framework for physically consistent battery SOH prediction. Sci Rep 16, 7568 (2026). https://doi.org/10.1038/s41598-026-37850-y

الكلمات المفتاحية: بطاريات أيون الليثيوم, حالة صحة البطارية, الشبكات العصبية الموجهة بالفيزياء, تدهور البطارية, التنبؤات باستخدام تعلم الآلة