利用达索系统机器学习优化电池配方设计
纷繁复杂的使用场景需要具有相应功能的锂离子电池来匹配。因此，每种锂离子电池都必须针对一系列性能指标进行优化，包括能量密度、电池使用寿命和安全性。为了实现这些目标，目前的研究将重点放在引入新的负极和正极材料或设计新配方电解液上。例如，为了降低旧款 LIB 锂离子电池潜在的起火隐患，该电池生产商探索了在电解液中使用挥发性较低的溶剂或添加阻燃添加剂来提高整体闪点的方案。
但与此同时，研发人员需要确保新配方或添加剂不会降低电池原有的电化学性能。这就意味着还需要考虑其他相关特性，例如锂离子在电解液中的渗透性能。如此多的参数进行组合将为每个新电池项目创造出巨大的可选配方样本空间。
如此庞大的潜在电解液配方如何进行快速筛选是企业所面临的重大挑战。特别是在保持研发按计划完成且不超过预算的前提下。这意味着在实验室中只能实际测试计划设计空间中的一小部分配方，这大大限制了对电解液新配方的探索。
为了解决这一问题，研发团队决定首先通过性质预测拿到最有可能成功的配方和添加剂，来帮助改善 DoE 流程，以更好地进行物理测试。他们所建立的第一个模型着眼于最大限度地提高电解液的闪点，同时优化三个锂离子传输特性：锂离子扩散系数、离子电导率和离子转移数。
达索系统BIOVIA Pipeline Pilot 为此数据科学方案提供了完整工具集。它帮助数据科学团队进行多源数据整合，汇总和混合现有的电池性能数据用于创建训练集。此外，它还能够自动执行数据清理流程，移除重复值和异常值，并通过 K-近邻算法估算并填充缺失值。所有这些步骤都可以通过 Pipeline Pilot 的图形用户界面在一个单一工作流中完成，从而使数据科学团队可清晰地了解数据是如何在整个组织内获取和处理的。
为构建机器学习模型而准备好现有配方的数据后，团队就开始着手解决如何高效引入降低闪点新型添加剂进行研究的问题。
借助 Pipeline Pilot，研发团队可以计算各种配方电解液的电化学特性，例如对锂离子渗透性的影响。该团队结合了实验和仿真数据，预测每种添加剂对锂离子扩散系数所产生的不同影响。通过类似的方式，他们还可以推导了电解液配方的其他特性，如电解液中的锂离子电导率和锂离子的转移数。
这些值使得他们能够筛选目前已有的潜在添加剂库，并创建新的添加剂，所产生的模型使研发人员能够更深入地了解电池的分子组成和围观结构的变化与性能之间的潜在关系。这是对潜在的可提高锂离子电池安全性的新型电解液配方的有力补充，同时也为未来优化其他特性的实验奠定了基础。
借助这些数据集，Pipeline Pilot 使数据科学家能够构建、训练和测试机器学习模型，通过生成的模型来预测配方性能，从而在保持高锂离子扩散系数的同时，最大限度地提高电解液的闪点。
Pipeline Pilot 提供一整套机器学习工具集。开发人员可以直接比较不同的算法，以便预测候选电解液配方的闪点，并选择最能满足其需求的特定算法。在这种场景下，研发团队考虑了随机森林、遗传函数算法和深度神经网络三种机器学习算法，其中随机森林算法生成的模型效果最优。通过将此数学模型与预测添加剂性能的化学模型相结合，研发人员可以自动化创建和预测数千种潜在电解液配方的性能，包括引入新添加剂的电解液配方。
然后，他们使用帕累托 (Pareto) 排序算法筛查这些配方，确定给定锂离子扩散系数下闪点最低的配方，以进行实验室测试。这些结果还可进一步用于预测电芯其他电化学性能的模型进行参数化。
利用 Pipeline Pilot，这家锂离子电池生产商能够高效地简化实验设计 DoE，从而帮助研发人员找出最有可能成功的潜在配方。在这种情况下，他们发现使用一种新型共混添加剂可以显著提高电解液的闪点。该混合物仅略微影响系统的总体锂离子扩散系数，随后实验对这点进行了验证。
此外，由于这些模型是基于现有数据构建的，并且随着新的物理和仿真数据的获取可以定期进行模型的重新训练，因此研发人员会对他们生成的预测越来越充满信心。研发领导层也很乐于看到其现有知识库价值的增加。
放眼未来，在 Pipeline Pilot 中开发的工作流可以轻松进行共享和再利用来针对其他特性对新配方进行优化，并以此确定更优化的方案。到目前为止，该团队正在构建可用于预测电解液电化学稳定窗口的模型，专注于进一步优化锂离子电池安全性，同时确保延长电池的总体使用寿命。他们将通过对现有的工作流进行扩展，实现快速创建服务于产品全新设计目标的配方研发流程，从而帮助企业更高效地扩展产品组合。
总而言之，BIOVIA Pipeline Pilot 帮助这家锂离子电池生产商改进了其实验设计 DoE，引入了全新的配方设计流程。最重要的是，他们成功地完成了最关键的任务，也就是通过调整电解液配方来提高下一代电池的安全性能。
页:
[1]