في عصر تتزايد فيه أهمية بطاريات الليثيوم أيون في نظم الطاقة الحديثة، يصبح من الضروري التنبؤ بدقة بأحداث الانفجار الحراري لضمان سلامة وكفاءة وموثوقية هذه الأنظمة. تقليديًا، كانت الطرق المعتمدة على البيانات، مثل الشبكات العصبية ذات الذاكرة القصيرة والطويلة (LSTM)، قادرة على التقاط التبعيات الزمنية المعقدة، لكنها غالبًا ما تنتهك المبادئ الديناميكية الحرارية، مما يؤدي إلى توقعات غير متسقة علميًا. من ناحية أخرى، توفر النماذج الحرارية المعتمدة على الفيزياء توضيحًا أكبر لكنها تعاني من تكاليف حسابية عالية وصعوبة في المعايرة للاستخدام في الوقت الحقيقي.

لتجاوز هذه التحديات، اقترحت هذه الدراسة إطار العمل المسمى بـ (PI-LSTM) الذي يجمع بين معادلات نقل الحرارة الحاكمة مباشرة في عمارة التعلم العميق عبر إدراج مصطلح تنظيم معتمد على الفيزياء في دالة الخسارة. يعتمد النموذج على تسلسلات إدخال متعددة الميزات، بما في ذلك حالة الشحن، الجهد، التيار، الإجهاد الميكانيكي، ودرجة حرارة السطح، للتنبؤ بتطور درجة حرارة البطارية مع فرض قيود على انتشار الحرارة.

لقد تم إجراء تجارب شاملة على ثلاثة عشر مجموعة بيانات لبطاريات الليثيوم أيون، وأظهرت النتائج أن (PI-LSTM) حقق انخفاضًا بنسبة 81.9% في خطأ الجذر التربيعي الأوسط (RMSE) و81.3% في خطأ القيمة المطلقة الوسطى (MAE) مقارنة بأسلوب (LSTM) القياسي، متفوقًا أيضًا على نماذج (CNN-LSTM) والشبكات متعددة الطبقات (MLP) بشكل ملحوظ. إن إدراج القيود الفيزيائية يعزز قدرة النموذج على التعميم عبر ظروف تشغيل متنوعة، ويقضي على التذبذبات الحرارية غير الفيزيائية.

تؤكد هذه النتائج أن التعلم العميق المعتمد على الفيزياء يمثل مسارًا ممكنًا نحو إدارة حرارية دقيقة، مفهومة، وفي الوقت الحقيقي في أنظمة البطاريات المستقبلية.