一种多物理场耦合相场模型的锂枝晶预测与抑制筛选方法

本发明属于锂金属电池安全与多物理场仿真，尤其涉及一种多物理场耦合相场模型的锂枝晶预测与抑制筛选方法。

背景技术：

1、锂金属负极具有高理论比容量和低电化学电位，是高比能电池的重要候选负极。然而，在反复充放电和快速沉积过程中，未受控的锂枝晶可能刺穿隔膜或固态电解质，引发内部短路、容量衰减和热失控等安全问题。

2、相场方法能够采用连续相场变量描述锂金属相、电解质相及二者之间的扩散界面，从而避免显式追踪复杂运动界面，已被广泛用于模拟锂枝晶成核和形貌演化。现有相场模型通常能够描述相场变量、电势场、锂离子浓度场和枝晶形貌之间的耦合关系，为锂枝晶生长形貌预测提供了有效计算工具。

3、已有文件公开了一种基于非线性相场模型的锂枝晶形貌生长预测方法和系统，该方法根据自由能变化规律和反应动力学推导得到相场变量控制方程、锂离子浓度场控制方程及电势场控制方程，并将参数和方程输入有限差分程序进行瞬态求解，最终输出充电过程中锂枝晶在锂电池负极表面的生长形貌。该方案能够利用非线性连续相场变量描述锂枝晶生长形貌，并在一定程度上降低固液界面追踪带来的计算复杂度。

4、但是，上述对比文件主要围绕相场变量、锂离子浓度场和电势场建立电化学相场模型，其技术效果主要集中于非线性相场形貌预测和降低界面追踪复杂度，尚未将温度场、应力场和流场作为可计算耦合场统一纳入锂枝晶预测框架，也未进一步公开温度梯度诱导热应变和热应力、堆叠压力及局部静水压力通过应力耦合过电势反馈至 butler-volmer反应动力学的技术方案；同时，也未公开由浓度梯度、溶质扩张系数和重力方向共同产生的浮力驱动对流及其通过 nernst-planck 对流项反馈至锂离子传质过程的技术方案，更未结合高通量仿真数据和机器学习模型对枝晶抑制条件进行快速筛选。因此，该对比文件难以揭示热应力、堆叠压力和浮力驱动对流对锂枝晶尖端生长、根部应力集中及形貌平滑化的协同和竞争作用。

5、因此，需要构建一种能够同时描述温度梯度、热应力、堆叠压力、溶质扩张系数、重力方向和浮力驱动对流的多物理场耦合相场模型，并进一步结合高通量仿真和机器学习方法，实现锂枝晶形貌指标快速预测和枝晶抑制场条件筛选。

技术实现思路

1、为解决上述技术问题，本发明提出了一种多物理场耦合相场模型的锂枝晶预测与抑制筛选方法，以解决上述现有技术存在的问题。

2、为实现上述目的，本发明提供了一种多物理场耦合相场模型的锂枝晶预测与抑制筛选方法，包括：

3、建立包含相场变量、电势场、锂离子浓度场、温度场、应力场和流场的耦合相场模型及控制方程组；

4、基于温度场计算热应变，基于热应变求解应力场得到静水压力；

5、基于静水压力修正butler-volmer反应动力学方程中的反应速率；

6、采用格子玻尔兹曼方法求解流场得到流速，将流速反馈至nernst-planck方程更新锂离子浓度分布；

7、将修正后的反应速率和更新后的锂离子浓度分布代入耦合相场模型求解得到锂枝晶形貌；

8、改变温度梯度、堆叠压力、溶质扩张系数和重力方向获得多组枝晶形貌及场分布结果；

9、从枝晶形貌中提取枝晶形貌指标训练机器学习模型，利用训练后的机器学习模型筛选抑制锂枝晶生长的场条件。

10、可选地，所述耦合相场模型为：

11、

12、式中，为相场变量，为双势阱函数，为梯度能系数，为应力耦合过电势，为局部静水压力，为锂金属摩尔体积，为法拉第常数，为相场插值函数,为界面迁移率，为电化学反应常数，为电荷转移系数，为反应过电势，为无量纲的锂离子浓度，t为以开尔文为单位的热力学温度，r为摩尔气体常数，t为时间。

13、可选地，所述控制方程组包括电势平衡方程、锂离子浓度场控制方程、热传导方程和力学平衡方程；所述电势平衡方程基于电荷守恒原理建立，所述锂离子浓度场控制方程基于nernst-planck方程建立，所述锂离子浓度场控制方程包含扩散项、电迁移项、对流项和反应源项。

14、可选地，基于静水压力修正butler-volmer反应动力学方程中的反应速率的过程包括：

15、基于局部静水压力与锂金属摩尔体积的乘积除以法拉第常数计算得到应力耦合过电势；

16、将应力耦合过电势叠加至总过电势；

17、采用叠加后的总过电势修正butler-volmer反应动力学方程中的反应速率。

18、可选地，采用格子玻尔兹曼方法求解流场得到流速的过程包括：

19、基于锂离子浓度差、溶质扩张系数和重力方向计算得到溶质浮力项；

20、将溶质浮力项与界面阻力项构成体力项；

21、采用格子玻尔兹曼方法对体力项进行处理得到流速场。

22、可选地，将流速反馈至nernst-planck方程更新锂离子浓度分布的过程包括：将流速作为对流项输入nernst-planck方程，求解得到更新后的锂离子浓度分布。

23、可选地，从枝晶形貌中提取枝晶形貌指标训练机器学习模型的过程包括：

24、从枝晶形貌及场分布结果中提取最大枝晶高度和枝晶长宽比作为输出标签，以温度梯度、溶质扩张系数、重力方向、电解质泊松比和电极泊松比作为输入特征，采用多组输入特征与输出标签的对应数据训练机器学习模型。

25、可选地，所述格子玻尔兹曼方法采用d2q9速度模型，通过碰撞和迁移过程求解电解质流场。

26、与现有技术相比，本发明具有如下优点和技术效果：

27、本发明通过建立包含相场变量、电势场、锂离子浓度场、温度场、应力场和流场的多物理场耦合相场模型，实现了热-力-流-电化学多场耦合作用下锂枝晶演化的统一描述。基于温度场计算热应变并引入应力场求解得到静水压力，利用该静水压力修正butler-volmer反应动力学方程中的反应速率，使应力场对枝晶生长的调控作用得以量化反馈；采用格子玻尔兹曼方法求解流场并将流速反馈至nernst-planck方程更新锂离子浓度分布，使浮力驱动对流对离子传质的影响得以精确描述。通过改变温度梯度、堆叠压力、溶质扩张系数和重力方向获得多组枝晶形貌及场分布结果，结合机器学习模型实现枝晶形貌指标的快速预测，为抑制锂枝晶生长的多物理场条件筛选提供了高效技术手段。

1.一种多物理场耦合相场模型的锂枝晶预测与抑制筛选方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的多物理场耦合相场模型的锂枝晶预测与抑制筛选方法，其特征在于，所述耦合相场模型为：

3.根据权利要求1所述的多物理场耦合相场模型的锂枝晶预测与抑制筛选方法，其特征在于，所述控制方程组包括电势平衡方程、锂离子浓度场控制方程、热传导方程和力学平衡方程；所述电势平衡方程基于电荷守恒原理建立，所述锂离子浓度场控制方程基于nernst-planck方程建立，所述锂离子浓度场控制方程包含扩散项、电迁移项、对流项和反应源项。

4.根据权利要求1所述的多物理场耦合相场模型的锂枝晶预测与抑制筛选方法，其特征在于，基于静水压力修正butler-volmer反应动力学方程中的反应速率的过程包括：

5.根据权利要求1所述的多物理场耦合相场模型的锂枝晶预测与抑制筛选方法，其特征在于，采用格子玻尔兹曼方法求解流场得到流速的过程包括：

6.根据权利要求1所述的多物理场耦合相场模型的锂枝晶预测与抑制筛选方法，其特征在于，将流速反馈至nernst-planck方程更新锂离子浓度分布的过程包括：将流速作为对流项输入nernst-planck方程，求解得到更新后的锂离子浓度分布。

7.根据权利要求1所述的多物理场耦合相场模型的锂枝晶预测与抑制筛选方法，其特征在于，从枝晶形貌中提取枝晶形貌指标训练机器学习模型的过程包括：

8.根据权利要求1所述的多物理场耦合相场模型的锂枝晶预测与抑制筛选方法，其特征在于，所述格子玻尔兹曼方法采用d2q9速度模型，通过碰撞和迁移过程求解电解质流场。