شبكة عصبية هجينة خفيفة مع تنظيم الاتساق الفيزيائي لتقدير حالة صحة بطاريات أيون الليثيوم

لماذا أهمية فهم صحة البطارية بشكل أذكى

مع انتشار السيارات الكهربائية، وبطاريات المنازل، والأجهزة المحمولة حول العالم، أصبح معرفة مقدار العمر المتبقي في بطارية أيون الليثيوم مهمًا مثل معرفة كمية الوقود في خزان سيارة. ومع ذلك، فإن تقدير «صحة» البطارية على المدى الطويل أمر معقد: فهي تتآكل ببطء بطرق تعتمد على درجة الحرارة، وعادات الشحن، وعوامل أخرى عديدة. تقدم هذه الدراسة نوعًا جديدًا من الشبكات العصبية الخفيفة والواعية بالفيزياء يمكنها تتبع صحة البطارية بدقة وكفاءة أكبر، مما قد يجعل المركبات والأجهزة المستقبلية أكثر أمانًا وأرخص صيانة وأسهل مراقبة في الوقت الحقيقي.

تحدي مراقبة شيخوخة البطاريات

تحتاج شركات تصنيع البطاريات وشركات السيارات إلى التنبؤ بكيفية تلاشي سعة البطارية عبر مئات أو آلاف دورات الشحن والتفريغ. الطرق المعتمدة على البيانات فقط، والتي تعتمد بالكامل على التعلم الآلي، قد تكون دقيقة جدًا لكنها غالبًا ما تتصرف كـ«صناديق سوداء» وقد تفشل عندما تختلف الظروف عن بيانات التدريب. من ناحية أخرى، النماذج المبنية على الفيزياء المستندة إلى الكيمياء الكهربائية قابلة للتفسير ولكنها بطيئة وثقيلة حسابيًا، وهو ما يمثل مشكلة لأنظمة إدارة البطارية على اللوحة. يجادل المؤلفون بأن حلول الغد يجب أن تمزج بين البيانات والحد الأدنى من الحدس الفيزيائي مع البقاء خفيفة بما يكفي للعمل على عتاد متواضع.

شبكة هجينة تحترم سلوك العالم الحقيقي

يقترح الباحثون شبكة محسنة هجينة خفيفة مستندة إلى الفيزياء، أو IHPINN، مصممة خصيصًا لتوقع حالة صحة البطارية. في جوهرها يوجد شبكتان مصغرتان متعاونتان. تحوّل شبكة «الحل» وصفًا مضغوطًا لحالة البطارية—مثل الجهد، التيار، الحرارة، ومؤشر الدورة—إلى تقدير صحة بين 0 و1. بينما تتعلم شبكة «الديناميكيات» الثانية كيف يجب أن يتطور ذلك التقدير عبر الزمن، فتعمل كنوع من الحارس الذي يثني عن القفزات أو الانتعاشات غير الواقعية في منحنى الشيخوخة المتوقع. بدلاً من فرض معادلات كيميائية كهربائية مفصلة، يرمز النموذج إلى مبادئ بسيطة لكنها قوية: يجب أن تتغير صحة البطارية بسلاسة وبشكل عام لا ينبغي أن تتحسن مع تقدم عمر الخلية.

تصميم خفيف للاستخدام في الوقت الحقيقي

لجعل هذا النهج الهجين عمليًا، يعيد المؤلفون تصميم مكونات الشبكات العصبية القياسية بعناية لتقليل تكلفة الحساب. يستبدلون الطبقات الموصولة بالكامل الكبيرة بتحويلات مجمعة ومنخفضة الرتبة تعيد استخدام المعاملات، مما يقلص عدد الأوزان وعدد العمليات الحسابية. وحدة تنشيط متكيفة تمزج بين نوعين من الاستجابات غير الخطية وتغير سلوكها تلقائيًا مع تقدم البطارية عبر مراحل شيخوخة مختلفة، مما يساعد الشبكة على تعلم أنماط معقدة من دون تدرجات غير مستقرة. وحدة انتباه مشتركة تقلص التكرار بشكل أكبر باستخدام إسقاط واحد لتحديد أي الميزات تهم أكثر، حتى يركز النموذج جهده على الإشارات المرتبطة بالتدهور. معًا، تسمح هذه الاختيارات للشبكة بالبقاء صغيرة مع التقاط سلوك الشيخوخة متعدد النطاقات.

اختبار النموذج

يقيم الفريق أداء IHPINN على أربع مجموعات بيانات بطاريات مستخدمة على نطاق واسع من مختبرات وكيميائيات وظروف استخدام مختلفة. عموماً يتنبأ النموذج الجديد بالحالة بدقة أكبر من شبكة عصبية مستندة إلى الفيزياء تقليدية مع استخدام معلمات أقل وذاكرة أقل ووقت تدريب أقصر. فعلى سبيل المثال، في مجموعة بيانات من جامعة هوياتشونغ للعلوم والتكنولوجيا، انخفض متوسط مربع الخطأ بأكثر من النصف، حتى مع تقلص عدد المعاملات بحوالي خُمس وتسريع وقت التدريب. تظهر مكاسب مماثلة لمجموعة صعبة من معهد ماساتشوستس للتقنية تتضمن استراتيجيات شحن ودرجات حرارة متنوعة، وكذلك لمجموعتين أخريين تختبران أنواع خلايا وأنماط دورات مختلفة. تُظهر تجارب الإزالة، حيث تُحذف مكونات فردية، أن استخراج الميزات متعدد النطاقات والتنشيطات المتكيفة يساهمان بشكل أكبر في الدقة، بينما يسرع وزن خسارة ديناميكي من التقارب.

ما معنى هذا للتكنولوجيا اليومية

بالنسبة لغير المتخصصين، الخلاصة أن IHPINN يقدم طريقة لمراقبة شيخوخة البطاريات ذكية ومقتصدة في الموارد. يتتبع الصحة بطريقة متسقة مع التوقعات الأساسية—ألا تتدهور البطاريات بسلاسة مع الزمن—دون الحاجة لمحاكاة فيزيائية ثقيلة أو شبكات عصبية ضخمة. عمليًا، يمكن تضمين مثل هذا النموذج في السيارات الكهربائية، أو أنظمة التخزين الثابتة، أو الإلكترونيات الاستهلاكية لتقديم توقعات أكثر موثوقية للعمر المتبقي والمساعدة في منع الأعطال المفاجئة. وعلى الرغم من أن العمل الحالي لا يلتقط بعد الكيمياء التفصيلية داخل الخلايا بالكامل، فإنه يبرهن أن بناء تعلم آلي واعٍ بالفيزياء بعناية يمكن أن يحقق توازنًا ثمينًا بين الدقة والشفافية والكفاءة، مما يشير إلى إدارة بطاريات أكثر موثوقية في أنظمة الطاقة المستقبلية.

الاستشهاد: Zhang, P., Zhang, H., Zhou, J. et al. Lightweight hybrid neural network with physics consistency regularization for lithium-ion battery state of health estimation. Sci Rep 16, 12780 (2026). https://doi.org/10.1038/s41598-026-41913-5

الكلمات المفتاحية: صحة بطارية أيون الليثيوم, الشبكات العصبية المستندة إلى الفيزياء, تنبؤ تدهور البطارية, مراقبة تخزين الطاقة, التعلم الآلي خفيف الوزن