Die TU Darmstadt beteiligt sich an einer internationalen Studie zum physikalisch informierten maschinellen Lernen für die Batteriediagnostik

Forscher des Fachgebiets Control and Cyber-Physical Systems der TU Darmstadt – Dr. Joachim Schaeffer und Prof. Dr.-Ing. Rolf Findeisen – haben zu einer Studie beigetragen, die in Energy & Environmental Science, einer der führenden internationalen Fachzeitschriften für Energieforschung, veröffentlicht wurde: https://doi.org/10.1039/d5ee06439b

Die Arbeit wurde in einer internationalen Zusammenarbeit zwischen dem Massachusetts Institute of Technology (MIT), der Stanford University und der TU Darmstadt durchgeführt. Sie basiert auf einer langjährigen wissenschaftlichen Zusammenarbeit zwischen den Forschungsgruppen Braatz und Bazant am MIT und dem Fachgebiet Control and Cyber-Physical Systems der TU Darmstadt.

Die Studie befasst sich mit einer zentralen Herausforderung für eine nachhaltige Elektrifizierung: Wie lässt sich die interne Degradation von Batterien zuverlässig bewerten und ihre Lebensdauer vorhersagen, ohne auf zeitaufwändige Laborverfahren zurückgreifen zu müssen?

Das Forschungsteam entwickelte einen Modellierungsrahmen, der physikalische Batteriesimulationen mit physikalisch fundierten und interpretierbaren Methoden des maschinellen Lernens kombiniert. Dieser Ansatz ermöglicht eine schnellere und zuverlässigere Identifizierung interner Alterungsmechanismen und verbessert die frühzeitige Vorhersage der Batterielebensdauer – ein wichtiger Schritt hin zu einer sichereren Elektromobilität und einer effizienteren Speicherung erneuerbarer Energien.

Der Beitrag der TU Darmstadt konzentrierte sich auf die strukturierte Restmodellierung mit maschinellem Lernen, wobei mechanistische Simulationsmodelle systematisch verbessert wurden, während die physikalische Interpretierbarkeit und Zuverlässigkeit erhalten blieben. Für seine Arbeit in diesem Bereich wurde Dr. Joachim Schaeffer bereits mit einem MIT Open Data Award ausgezeichnet.

Die Studie unterstreicht die Bedeutung simulationsbasierter, datengesteuerter Methoden und maschinellen Lernens an der Schnittstelle zwischen Materialwissenschaft und Modellierung sowie Regelungstechnik – einem Forschungsschwerpunkt der TU Darmstadt – und der Allianz der Rhein-Main-Universitäten (RMU).

Über die Batteriediagnostik hinaus spiegelt die Arbeit eine breitere steuerungstheoretische Perspektive wider: Die Kombination mechanistischer Modelle mit strukturiertem, physikalisch informiertem maschinellem Lernen ermöglicht eine zuverlässige Entscheidungsfindung in sicherheitskritischen physikalischen Systemen. Durch die explizite Beibehaltung physikalischer Beschränkungen und Interpretierbarkeit trägt der Ansatz zur Entwicklung sicherer lernbasierter Überwachungs- und Steuerungsstrategien bei – eine wichtige Richtung in der Forschungsagenda des Fachegebiets Control and Cyber-Physical Systems.

Abstract

Reliable battery health diagnosis and cycle life prediction remain a central challenge for energy storage systems. This work first provides a systematic analysis of key factors for battery health diagnosis, highlighting previously overlooked yet critical elements that affect health assessments. Building on these insights, a rate-adaptive transformation model converts high C-rate features into low C-rate equivalents, enabling rapid diagnostics of battery aging modes without time-consuming testing using a low C-rate. To address fitting inaccuracies caused by aging, blended materials, and kinetic effects, an interpretable residual learning model corrects voltage mismatches, which also enables low C-rate fitting by using high C-rate data. Leveraging mechanistic-informed features, early cycle life prediction achieves mean errors of less than 70 cycles using data from fewer than 30 equivalent full cycles across complex and unseen aging conditions. This interpretable and generalizable framework bridges electrochemical understanding with practical diagnosis and offers a fast and reliable path toward mechanism-informed battery prognostics.

DOI: https://doi.org/10.1039/d5ee06439b