【论文阅读笔记04】热失控建模的现状与进展——读Cherukat等综述学习整理

m0_64385043

618人浏览 · 2026-06-03 20:35:32

m0_64385043 · 2026-06-03 20:35:32 发布

1 写在前面：为什么读这篇论文

在陆续读完Feng等人的热失控机理综述、Wang等人的火灾爆炸综述、Spotnitz等人的滥用行为建模以及Vujnovic等人的建模方法比较综述后，我逐渐意识到一个问题：虽然有很多论文在讨论热失控模型，但我很难快速判断——对于我的具体应用（比如电芯设计、模组热扩散分析，还是BMS预警算法开发），到底应该选哪种模型？

Cherukat等人这篇综述正好切入这个痛点。它没有只堆砌模型，而是系统性地按空间维度（0D→1D→2D/P2D→3D）对热失控模型进行分类，并且用多个对比表格列出了每个模型采用了多少放热反应、是否包含内短路/排气/对流辐射、针对哪种滥用类型、是否经过实验验证。这种"选型指南"式的整理，对我来说非常实用。

另一个吸引我的点是，这篇综述专门讨论了老化对热失控行为的影响，以及机器学习（尤其是物理信息神经网络PINN和化学反应神经网络CRNN）在热失控建模中的最新应用。老化问题在工程中非常现实——运营多年的储能系统或行驶了几万公里的电动车，电池的热安全边界和新电芯完全不同。而机器学习方法则让我看到了一种可能性：也许未来BMS可以不依赖复杂的三维热模型，而是在线预测热失控风险。

所以读这篇论文的目标很明确：

建立一个从"模型复杂度"到"工程适用场景"的映射框架；
理解不同模型的关键差异在哪里（不是盲目追求高维，而是够用就好）；
了解老化和机器学习这两个前沿方向，看看能否用到实际工作中。

这篇笔记不会逐段翻译原文，而是按照我的理解，把论文的核心内容重新组织成几个部分：先给出论文基本信息，然后梳理电化学背景和安全问题（简要），重点整理热失控建模的分类与对比，最后总结对工程实践的启发和未来方向。

2 论文基本信息

本文阅读的论文信息如表 1所示：

表 1 阅读论文基本信息

项目	内容
论文题目	Current practices and advances in thermal runaway modelling: A detailed review
作者	Pranav Cherukat, Prabhu Selvaraj, Srujan V.G., Balamurugan Rathinam, Ratna Kishore Velamati
期刊	Future Batteries
发表年份	2025
卷期页码	Vol. 8, Article 100118
DOI	10.1016/j.fub.2025.100118
论文类型	综述论文
主要主题	锂离子电池热失控建模；电化学-热耦合模型；0D/1D/2D/P2D/3D模型对比；模块化建模框架；机器学习辅助建模

这篇综述的独特之处在于，它不仅仅是"有哪些模型"的罗列，而是帮助读者回答"在什么阶段、用什么模型"。原文用多个表格汇总了不同模型的关键参数（反应数、是否包含ISC/排气/对流/辐射、滥用类型、验证情况等），并统计了58%的模型使用3–5个放热反应这一事实。这些信息对于电池工程师、CAE工程师或BMS算法开发者来说，比单纯的公式推导更有直接价值。

3 这篇论文主要讲了什么

这篇综述的结构很清晰，可以理解为"从实验到模型，再从模型到工程选型"的一条主线。图 1概括了论文的核心逻辑链：ARC/DSC实验提取动力学参数 → 阿伦尼乌斯方程与热平衡构成模型骨架 → 根据工程目标（BMS预警/模组设计/仿真验证）选择不同复杂度的模型。
在这里插入图片描述

3.1 主线概括

论文首先用两章的篇幅铺垫背景：锂离子电池的电化学原理（特别是正极材料对热稳定性的影响）以及热失控的安全问题。这部分引入了两个关键的实验手段——ARC（加速量热仪）和DSC（差示扫描量热法），它们分别提供整电池的热失控特征温度（ $T_{1},T_{2},T_{3}$ ）和各组分材料的反应动力学参数。论文明确指出：实验代价高、破坏性强，因此建模是必要且经济的替代方案。

接着进入核心章节——热失控建模。作者先从基本控制方程入手（主要是阿伦尼乌斯方程和传热方程），然后按照模型的空间维度（0D、1D、2D、P2D、3D）分别回顾了大量文献，并用三个大表格（table 4、table 7、table 9）对每个模型的关键特征进行对比（化学体系、几何形状、反应数量、是否包含内短路/排气/对流/辐射、是否经过实验验证等）。

在此基础上，论文提出了一个模块化的建模框架——用户可以根据自己的需求（电池化学体系、滥用条件、计算资源）自由组合产热、排气、内短路、对流辐射、老化等子模型，甚至可以"插拔"替换不同维度的模块（例如把0D热模型换成3D）。

最后，论文讨论了三个前沿方向：老化效应如何影响热失控行为、机器学习（特别是PINN和CRNN）如何加速建模并提高预测精度、以及高性能计算如何让3D模组级仿真变得可行。结论部分给出了一个很实用的建议：电芯级用0D/1D/P2D，模组/包级用3D。

3.2 核心观点

观点1：热失控模型的核心骨架是"阿伦尼乌斯方程 + 热平衡"，所有模型都是在这个骨架上增加"插件"

无论模型多复杂，最基本的产热计算都来自反应速率方程：

$Kx=Aexp⁡(−Ea/RT)⋅f(Cx)K_{x} = A\exp( - E_{a}/RT) \cdot f(C_{x})$

然后乘以反应焓变得到化学产热。其他如内短路产热、排气吸热、对流辐射换热，都是在热平衡方程里加项。理解了这个骨架，再看各种模型就不会乱。

观点2：3~5个放热反应是最常见的配置（占58%），兼顾精度与计算效率

论文统计发现，大多数模型只选了3到5个关键反应（SEI分解、负极-电解液反应、正极分解、电解液分解等），而不是把超过20个反应全部算进去。这说明在实际工程中，抓住主要矛盾比追求面面俱到更重要。

观点3：模型维度选择本质上是"空间分辨率 vs 计算成本"的权衡

0D/1D：计算快，适合实时监测或早期预警，但忽略温度梯度
2D/P2D：能捕获厚度方向的浓度/温度分布，适合电芯设计优化
3D：精度最高，能模拟热蔓延、排气流动、相邻电池间的辐射，但计算量大，主要用于离线安全验证

论文用一个非常直观的图（图22）展示了这种权衡关系。

观点4：模块化建模框架让"可插拔"成为可能——内短路、排气、辐射、老化都是可选插件

一个很好的例子是：Coman 2016年的模型加入了排气子模型后，预测的温度曲线在TR前捕捉到了实验中那个"微微下降"的阶段，而没有排气的模型则做不到。同样，Zhang 2024年的模型发现，加上固体颗粒辐射后，相邻电池表面的辐射热流提高了4.29倍——如果不加这个插件，热蔓延会被严重低估。

观点5：老化、机器学习、高性能计算是TR建模的三大发展方向

老化：Wu 2023和Zhao 2023的工作都表明，SOH降低会显著改变热失控行为（例如最大温度 $T_{3}$ 下降，但触发时间反而可能提前），新电池的模型参数不能直接套用在老电池上。
机器学习：PINN（物理信息神经网络）可以把P2D方程嵌入损失函数，用少量数据训练出较准确的温度预测模型；CRNN（化学反应神经网络）则能从实验数据中自动"发现"反应路径和动力学参数。
高性能计算：GPU和云计算让过去需要几天的3D模组仿真缩短到几小时，使得在设计阶段进行大规模热蔓延模拟成为现实。

3.3 小结

这篇论文没有试图推导一个新的模型，而是做了一个非常扎实的"模型地图"工作。它告诉我：热失控建模不是越复杂越好，而是要根据自己的目标（在线预警还是离线设计？电芯级还是包级？）来选择合适的"插件组合"。同时也提醒我，模型参数（活化能、指前因子、反应焓）必须通过DSC/ARC实验标定，不能随便从文献里抄——因为不同化学体系、不同老化状态下的值差异很大。

4 热失控建模的"骨架与插件"：从反应到多物理场

4.1 热失控的化学反应"链条"

热失控不是单一反应，而是一连串放热反应的"多米诺骨牌"。论文里引用了 Golubkov等人的结论：热滥用条件下可能发生 20种以上 的不同反应。不过，大部分模型只抓主要的几个。

图 2展示了热失控过程中主要放热反应的大致温度范围。不同正极材料（如LCO、NMC、LFP）的实际温度阈值会有偏移，但链条顺序基本一致：从SEI分解开始，逐步升级至正极分解和电解液燃烧，形成正反馈。

在这里插入图片描述

几个关键节点：

SEI分解：通常在80°C以上开始，到135°C左右加速。SEI一旦破裂，裸露的负极就会与电解液直接接触，引发更强的放热。
负极-电解液反应：峰值反应速率出现在200°C附近。这是早期热失控的主要热量来源之一。
正极分解：不同材料差异很大。LCO在~200°C就开始分解并释氧，而LFP要接近300°C才明显。释氧会让电解液燃烧更剧烈，形成"电芯内部自带氧化剂"的危险局面。
电解液分解与燃烧：超过110°C开始，但真正大量产热还是在200°C以上。排气和火焰都来自这一阶段。

可以这样理解：从SEI分解开始，每跨过一个温度门槛，就有一种新的燃料被点燃，形成一个"温度越高 → 反应越快 → 产热越多 → 温度更高"的正反馈。直到所有能反应的物质都反应完，或者电池壳体破裂泄压带走部分热量，这个回路才会被打破。

4.2 核心控制方程：阿伦尼乌斯与热平衡

不管模型多复杂，底层就是两类方程：反应动力学方程（决定产热速率）和热平衡方程（决定温度变化）。

4.2.1 反应动力学：阿伦尼乌斯

每一个放热反应都可以写成：

$Kx=Axexp(−Ea,xRT)⋅f(Cx)K_{x} = A_{x}exp( - \frac{E_{a,x}}{RT}) \cdot f(C_{x})$

$K_{x}$ ：反应速率（单位时间反应程度）
$A_{x}$ ：指前因子，可以理解为"原子碰撞的频率"，数值越大反应越快
$E_{a,x}$ ：活化能，反应需要翻越的"能量山"
$R$ ：气体常数
$T$ ：温度——指数项里藏着正反馈的根源：温度一升高，指数项爆炸式增长
$f(C_{x})$ ：浓度函数，表示反应物还剩多少。最简单的情况就是归一化浓度 $C_{x}/C_{x0}$

化学产热就是把反应速率乘上反应焓变：

$Qchem=∑xmx⋅Kx⋅ΔHxQ_{chem} = \sum_{x}^{}m_{x} \cdot K_{x} \cdot \Delta H_{x}$

$m_{x}$ 是反应物的质量， $ΔHx\Delta H_{x}$ 是每摩尔反应放出的热量（通常从 DSC 实验获得）。

4.2.2 热平衡

电池内部温度的变化由"产热"和"散热"共同决定：

$mCpdTdt=Qchem+Qelec−Qconv−QradmC_{p}\frac{dT}{dt} = Q_{chem} + Q_{elec} - Q_{conv} - Q_{rad}$

$Q_{elec}$ ：电化学产热（内短路、极化等），论文中给出 $Q_{exc,chem} = f(SOC,V,I)$
$Q_{conv} = hA(T - T_{amb})$ ：对流换热
$Qrad=Aεσ(T4−Tamb4)Q_{rad} = A\varepsilon\sigma(T^{4} - T_{amb}^{4})$ ：辐射换热

一个容易被忽略的点：在热失控的早期升温阶段，对流和辐射虽然数值不大，但会影响达到触发温度的时间。而在热失控后期，当电池表面温度达到600–800°C时，辐射成为向相邻电池传热的主要途径（论文中Zhang等人的工作表明，考虑固体颗粒辐射后热流可提高4倍以上）。

在这里插入图片描述

图 3展示了阿伦尼乌斯方程与热平衡方程的耦合关系：温度升高加速反应速率，反应产热进一步推高温度，形成闭环。所有热失控模型都建立在这个基本框架之上，区别在于增加了哪些附加项（内短路、排气、辐射等）。

论文的表 3把这五类方程汇总得很清楚。我把它重新整理成更直观的形式：

表 2 五类方程汇总表

物理过程	方程形式	关键参数
化学反应速率	$K = Ae^{- E_{a}/RT}f(C)$	$A,E_{a}$ 来自DSC标定
化学产热	$Qchem=m⋅K⋅ΔHQ_{chem} = m \cdot K \cdot \Delta H$	$ΔH\Delta H$ 来自DSC
电化学产热	$Q_{elec} = f(SOC,V,I)$	常用于内短路或过充场景
对流换热	$Q_{conv} = hA(T - T_{amb})$	$h$ 取决于冷却条件
辐射换热	$Qrad=Aεσ(T4−Tamb4)Q_{rad} = A\varepsilon\sigma(T^{4} - T_{amb}^{4})$	高温下不可忽略

4.3 不同维度模型的关键特征对比

论文用三个表格（表4、表7、表9）分别汇总了 0D、1D/2D/P2D、3D 模型。我把其中最具有代表性的几个模型挑出来，做一个横向对比。

表 3 不同维度热失控模型特征对比（基于论文表4、表7、表9整理）

模型（作者, 年份）	维度	化学体系	几何	反应数	ISC	排气	对流	辐射	老化	主要特点
Coman, 2016	0D	LCO	圆柱	5	×	✓	✓	✓	×	首次系统引入排气子模型
Feng, 2018	0D	NCM	方形	6	✓	✓	✓	×	×	电压+温度耦合，ISC触发温度影响分析
Ren, 2018	0D	NCM	软包	6	✓	×	✓	×	×	DSC/ARC标定关键反应，精度高
He, 2022	0D	NCM	圆柱	8	✓	✓	✓	×	×	预测内部压力，与实验吻合好
Wu, 2023	0D	NCM/LFP	软包	3	×	×	✓	×	✓	引入SOH，发现老化对 $T_{3}$ 影响大
Jia, 2019	1D	LFP	软包	4	×	×	✓	×	×	高倍率（>15C）下TR触发预测
Zhao, 2023	P2D	NCA	圆柱	7	×	×	✓	✓	✓	老化延迟TR起始时间但加速传播
Kim, 2007	3D	LCO	圆柱	5	×	✓	✓	✓	×	早期 3D 模型，考虑局部热点
Feng, 2016	3D	NCM	方形/软包	6	✓	✓	✓	×	×	电芯→模组→包多尺度传播
Kong, 2021	3D	多种	圆柱	20	✓	×	✓	✓	×	最多反应数，对比不同正极材料
Zhang, 2024	3D	—	圆柱	6	×	✓	✓	✓	×	加入固体颗粒辐射，热流提高4.29倍

几个观察：

反应数量：0D模型大多用5–8个反应，3D模型有的只用5个（Kim, 2007），也有用到20个的（Kong, 2021）。但论文统计显示，58%的模型集中在3–5个反应，说明多数研究者认为抓住主要反应就够用了。
排气和辐射：并不是所有模型都考虑。如果只关心触发温度，排气可能没那么重要；但如果要模拟热蔓延到相邻电池，辐射和排气的热效应就很关键了。
老化：近年才开始被纳入（Wu 2023, Zhao 2023），说明模型正在从"新鲜电芯"向"全生命周期"演进。

图4对比了四种常见模型维度的空间分辨率。0D模型将所有反应集总为一个温度点，计算最快；3D模型能捕捉局部热点和热蔓延路径，但计算成本最高。选择哪种维度取决于工程目标：在线预警选0D/1D，离线安全设计选3D。

4.4 模型校准：从DSC/ARC到动力学参数

建模中最容易被忽视、却也最关键的一步是参数标定。活化能 $E_{a}$ 、指前因子 $A$ 、反应焓 $ΔH\Delta H$ 不是随便从文献里找就能用的——不同化学体系、不同老化状态下的值差异很大。

论文给出了标准的标定流程：

DSC实验：对电池各组分（SEI、负极+电解液、正极+电解液、隔膜等）单独或组合进行升温扫描，得到热流曲线。每个放热峰对应一个反应。
动力学参数提取：用Kissinger方法（不同升温速率下的峰温）计算 $E_{a}$ 和 $A$ 。
反应焓 $ΔH\Delta H$ ：直接对DSC峰面积积分得到。
ARC实验：对整电池进行绝热测试，得到温度-时间曲线。用这个曲线来验证模型预测，必要时用非线性优化微调参数。

一个容易被忽略的细节：DSC测的是"小样品"在惰性气氛下的反应，但整电池内部有隔膜、有堆叠压力、还有各反应之间的"化学串扰"（Zhou等人的文章专门讨论过）。直接用DSC参数堆叠出的模型，往往会低估产热。因此Ren等人2018年的工作就用了"全电池"ARC数据来校准反应之间的耦合系数。

论文还提到，有研究者用Kissinger方法从ARC数据直接提取"表观动力学参数"——虽然物理意义不如DSC分解清晰，但对工程仿真来说足够实用。

4.5 个人理解

如果要用一句话概括热失控建模的本质，我会说：它就是一个"化学反应网络 + 热平衡"的动力学系统，每增加一个子模型（排气、内短路、辐射、老化），就像给这个系统多装了一个开关或者一条旁路。

不加排气，模型会预测一个光滑的温度上升曲线；加上排气，就可能出现实验里那种"温度微微下降"的拐点。
不加辐射，相邻电池之间只靠固体导热，热蔓延会慢很多；加上辐射，才发现原来几千度的喷射颗粒才是传播主力。
不加老化，模型永远用新电池的参数；加上老化，才意识到用了两年的电池可能在更低温度下就触发失控。

这让我意识到，模型不是越全越好，而是"缺失了某个插件就会导致结论出现方向性错误"时，那个插件才必须加。例如，做BMS预警只需要预测 $T_{2}$ 是否被触发，用3–5个反应的0D模型就够；但如果做电池包的热蔓延抑制设计，辐射和排气就是必选项，而且需要3D空间分辨率。

在这里插入图片描述

图 5基于原文提出的模块化建模框架（参见原文fig. 20及第5节描述）。用户可以根据自己的需求选择不同的子模型组合：

最小配置（用于BMS实时预警）：核心求解器 + 3~5个化学反应 + 对流换热
标准配置（用于电芯设计）：增加内短路模块 + 辐射换热
完整配置（用于模组热蔓延仿真）：增加排气模块 + 老化模块

这种"插拔"式设计使得模型具有良好的可扩展性：当需要更高精度时，可以替换某个模块的版本（例如把0D热模型换成3D），而不必重构整个模型。这也是论文认为最具工程实用价值的贡献之一。

另外一个很重要的提醒：论文中所有模型的精度都是用ARC数据验证的，但ARC是绝热环境。实际模组里有冷却、有热阻、有排烟通道，所以不能直接把模型预测的 $T_{1},T_{2},T_{3}$ 当作现场报警阈值——那是实验室条件下的"固有性质"，不是现场条件下的"真实行为"。这个在下一章会详细展开。

5 对工程实践的具体启发

读这篇论文的过程中，一个很深的感受是：实验室里的热失控模型和现场电池管理系统（BMS）之间，存在不小的鸿沟。模型给出了很多漂亮的参数（ $T_{1},T_{2},T_{3}$ 、反应速率、内部压力），但如果直接把这些数值搬进BMS的报警逻辑，很可能会误报或漏报。下面结合论文内容，整理几条对工程实践有直接参考价值的启发。

5.1 论文中的特征温度 ≠ 现场报警阈值

论文中反复出现的 $T_{1}$ （SEI分解起始）、 $T_{2}$ （热失控触发）、 $T_{3}$ （最高温度）来自ARC绝热实验。在ARC里，电池处于近似绝热环境，所有自产热都用来加热自身。但在实际模组或电池包中：

有冷却系统（液冷、风冷、相变材料）带走热量
有热阻（电芯之间、电芯与壳体之间）延缓热传导
有排气通道，高温气体可能被定向排出而非直接加热相邻电芯

因此，同一个电芯在ARC里测得的 $T2=150∘CT_{2} = 150^{\circ}C$ ，在模组里可能需要更高温度才能触发传播。反过来，如果BMS仅设置"温度超过 $T_{1}$ 就报警"，在夏天高温工况下正常运行的电池也可能触发误报。

一个更合理的思路：把论文中的特征温度作为"相对参考点"，而不是绝对阈值。例如，监控温升速率 $d T / d t$ 比监控绝对温度更敏感——论文中很多模型都展示了在 $T_{2}$ 附近温升速率会突然跃升几个数量级。BMS可以设置两级阈值：

预警： $d T / d t$ 持续超过1°C/min（具体值需根据电芯实测标定）
报警： $d T / d t$ 超过10°C/min 且温度高于某个安全边界

5.2 单一信号不可靠，多信号融合是方向

论文中多次提到，热失控过程中除了温度变化，还有电压下降（内短路导致）、内阻变化、特征气体释放（ $H_{2}$ 、 $C O$ 、 $CO_{2}$ 、 $CH_{4}$ 等）以及压力升高。每个信号单独看都有局限性，但组合起来可以大幅提高判断准确率。

下表对比了几种常见监测信号的优缺点（基于论文中table 2的排气成分分析和各模型的讨论）：

表 4 不同热失控监测信号的对比

监测信号	优点	缺点	适用场景
温度（热电偶/NTC）	直接、成熟、低成本	响应慢（传感器通常在外壳），热失控时可能被高温烟气烧坏	常规BMS，作为基础信号
温升速率 $d T / d t$	对自加热非常敏感，比绝对温度更早预警	需要较高采样率，易受噪声干扰	配合滤波算法使用
电压降	内短路时反应迅速	均衡电路、负载变化也会引起电压波动，易误报	结合电流判断是否为异常压降
特征气体（CO, H₂）	热失控早期（SEI分解后）就会释放，比温度上升早几十秒到几分钟	传感器成本高、寿命短，可能被其他气体交叉干扰	高端储能系统、对安全性要求极高的场合
内部压力（或防爆阀变形）	直接反映产气速率，排气前压力骤升	需要在电池上开孔或贴应变片，工程实现难度大	实验室或特殊安全设计
阻抗/内阻	可以检测SEI增厚、锂析出等早期老化	在线测量需要交流激励，计算复杂	离线诊断或新一代BMS

论文中Kwak et al. (2024) 的模型展示了主动/被动检测系统对气体生成的实时跟踪能力；Moosmann et al. 的工作则提出了基于阻抗（EIS）的预警方法，可以在自加热发生前就识别出异常——这些都是多信号融合的有益尝试。

5.3 分层防护：从电芯到模组到系统

论文中Feng等人（2015, 2016）的模型覆盖了从单电芯 → 模组 → 电池包三个尺度。这提醒一个关键点：防护策略必须分层，不同尺度对应不同的模型输出需求和物理现象。

防护层级	主要目标	模型需要的输出	工程措施示例
电芯级	延迟或阻止单电芯热失控	触发温度 $T_{2}$ 、自产热速率	安全电解液添加剂、陶瓷隔膜、防爆阀
模组级	阻断热失控传播（TRP）	相邻电芯的热通量（传导+辐射+对流）、排气温度和速度	隔热垫（气凝胶、云母板）、散热翅片、排气通道
系统级（包/车）	保护人员与环境	火焰喷射范围、有毒气体扩散、总热量释放（HRR）	灭火系统、泄压阀、隔离舱、远程报警

在这里插入图片描述

图 6展示了论文中Feng等人模型所覆盖的三个尺度的防护重点。电芯级延迟热失控触发，模组级阻断传播，系统级保护外部环境。每级需要的模型输出不同：电芯级关注触发温度，模组级关注热蔓延通量，系统级关注火焰与气体扩散。

论文中 Zhang et al. (2024) 的模型发现，考虑固体颗粒辐射后相邻电池的热流提高了4.29倍——这意味着如果只按照纯导热来设计隔热垫厚度，实际效果可能远低于预期。在设计模级隔热时，必须考虑高温颗粒喷射的影响（即使论文中的数值不能直接套用，但方向性结论是明确的）。

5.4 老化电池比新电池更不可预测

论文中 Wu et al. (2023) 和 Zhao et al. (2023) 都明确指出了老化的影响：

SEI增厚、锂析出、活性物质损失等老化机制会改变热失控的触发温度和最大温升。
某些情况下，老化电池的 $T_{2}$ 甚至比新电池更低（更危险），但总放热量可能减少（因为活性物质减少了）。

这意味着只在新电池上做热失控实验，然后用这个数据来保护运行了两年的电池包，是有风险的。一种可能的改进方向是：在BMS中记录电池的健康状态（SOH），当SOH低于某个阈值（如80%）时，动态调整预警算法中的温度/温升阈值。目前学术研究已经提供了老化对阿伦尼乌斯参数影响的经验关系（例如Wu 2023中给出的线性关系 $E_{a}(SOH)$ 和 $A (S O H)$ ），未来可以尝试简化后植入BMS。

5.5 模型选择取决于工程目标

论文最后给出的建议值得再强调一遍：

在线实时预警（BMS内部）：用0D或简化1D模型，反应数3~5个，不计排气辐射（计算快，够用即可）。
电芯设计/材料筛选：用P2D或2D模型，考虑浓度梯度，需要DSC/ARC标定。
模组/电池包热蔓延仿真：必须用3D模型，至少包含传导+辐射+排气，最好加入颗粒辐射和流动耦合。
消防/安全评估：需要3D模型 + 燃烧模型（气体组分、HRR），甚至CFD耦合。

不能指望一个模型包打天下。论文中统计的58%模型只用了3~5个反应，恰恰说明：在大多数工程场景下，精确但复杂的模型并不必要，反而是"足够准确且快速"的模型更有价值。

最后一句总结：热失控建模论文读完后，最大收获不是某个具体的 $E_{a}$ 或 $T_{2}$ 数值，而是一个系统化的思维框架——知道自己需要什么信息（是触发温度还是热蔓延通量？），知道模型给不了什么信息（实验室数据不能直接当现场阈值），以及知道如何把多种信号和防护措施组合成一个有效的安全策略。

6 我的理解与总结

读完整篇综述，回头再看"热失控建模"这个词，感觉它不再是笼统的一团东西，而是可以拆成清晰的层次。下面是我认为这篇论文最值得记住的几个点，以及它没来得及展开的局限。

6.1 最值得学习的框架

框架一：模型 = 骨架 + 插件

骨架就是阿伦尼乌斯方程 + 热平衡，插件包括内短路、排气、辐射、对流、老化、压力等。这个思路很实用——不管以后看到什么新模型，先问：它用了哪几个反应？加了哪些插件？然后把方程往骨架里一套，就能看懂它做了什么。

框架二：维度选择 = 空间分辨率 vs 计算成本

0D/1D跑得快，2D/P2D看梯度，3D做传播。论文里用一张图（fig. 22）把这个权衡画得很直观，如图 7所示。如果有一天自己要做仿真，先问：我关心的是"什么时候触发"还是"热量怎么传到隔壁"？前者用低维，后者用高维。

在这里插入图片描述

框架三：标定闭环 = DSC + ARC + 动力学参数

没有实验数据支撑的模型，只是数学游戏。DSC给出组分反应的焓和活化能，ARC给出整电池的行为，用Kissinger方法和非线性优化把两者串起来，才是可信的模型。

在这里插入图片描述

图 8总结了本文笔记提炼的三大核心框架：1）将热失控模型理解为固定骨架与可选插件的组合；2）根据空间分辨率与计算成本的权衡选择模型维度；3）通过DSC与ARC实验数据闭环标定动力学参数。这三条框架可帮助工程师快速定位适合自己需求的建模方法。

6.2 论文的局限性（个人角度）

再好的综述也有没覆盖到的地方，这里说几点我自己的感受：

机械滥用建模着墨较少：论文题目里提到"mechanical abuse"，但实际内容大部分集中在热滥用。针刺、挤压这类场景涉及结构失效和瞬间内短路，与热滥用模型的耦合方式在文献中本来就少，这篇综述也未能深入。如果想做碰撞后的热失控预测，这篇论文只能作为起点，还需补充机械-热耦合的专门文献。
不同模型之间的精度差异缺少定量对比：论文列举了很多模型，也说它们"与实验吻合良好"，但没给出统一的误差指标（比如预测温度与ARC的偏差百分比、RMSE等）。读者很难判断哪个模型在数值上更准。这可能是因为各模型用的电芯体系、测试条件差异太大，无法直接横向比较数值，但如果有汇总对比表会更有说服力。
从模型到工程应用的"最后一步"讨论不够：比如一个0D模型标定好后，如果要植入手持设备或BMS芯片，计算量能否接受？论文提到了PINN可以实时预测，但没有给出具体算例或延时数据。模型离真正的在线应用，还有算法简化、硬件适配等工程细节需要填补。
排气燃烧的化学机理仍然高度简化：论文提到气相反应可以有200多种，但模型中通常只算6~7种气体成分（ $H_{2}$ , $C O$ , $CO_{2}$ , $CH_{4}$ , $C_{2}H_{4}$ , $C_{2}H_{6}$ ），燃烧放热往往用一个总包反应代替。对于精确预测喷射火焰的热通量，这种简化可能带来偏差。

6.3 后续学习与工程应用的思路

如果接下来要继续深入这个方向，我给自己列了几条路：

短期（拿来就用）：找一篇与自己手头电芯体系最接近的论文（比如同样是NCM811圆柱电池，反应数3~5个），复现它的0D模型。用DSC和ARC数据（如果没有就借文献数据）跑一遍，看看能不能复现温度曲线。这一步能检验自己对建模流程的理解。
中期（工程落地）：尝试把一个简化模型（3反应+对流）写进BMS的硬件在环仿真环境里，测试它能否在热失控前30秒给出预警。重点不是精度，而是看计算量是否可控、误报率是否可接受。
长期（前沿跟踪）：关注PINN/CRNN的发展。这类方法特别适合热失控建模——实验数据少、物理规律已知但复杂，神经网络正好可以用来弥补简化模型的误差。如果自己有时间，可以尝试用开源PINN框架（如TensorFlow + PDE损失函数）复现一个P2D热模型的替代版，看看能否用更少的计算时间达到相近精度。

另外，老化效应是我觉得最值得投入的方向。现在大部分BMS根本不考虑SOH对热失控预警的影响，但论文已明确指出老化会改变 $T_{2}$ 和 $T_{3}$ 。如果能建立一套"SOH修正的报警阈值表"，在工程上会是很有价值的改进。

参考文献

Cherukat P, Selvaraj P, V.G. S, et al. Current practices and advances in thermal runaway modelling: A detailed review[J]. Future Batteries, 2025, 8: 100118. DOI: 10.1016/J.FUB.2025.100118.