PyBaMM 电池多物理场建模框架:从表达式树到实验协议

新
许可证: BSD-3-Clause · 更新于 2026-11-11
我的评分

一、简介

电池研发里有一类工作,反复出现在同一个位置:模型要足够物理保真,才能支撑设计决策;计算又要足够快,才能撑得住参数扫描与循环工况仿真。PyBaMM 是这条路上被广泛采用的开源方案,本站此前收录的这条案例也正是在这个语境下写的。

问题在于原条目的落点偏了。它把 PyBaMM 定位成「电池电化学数字孪生」,把适用场景写成「储能电站与动力电池数字孪生、SOH 预测」,又给出一句「从配置文件自动装配」加一个「1.7k+ Star」的括注。这几处都需要修正。

第一,PyBaMM 是一个建模与仿真框架,不是一个数字孪生系统。数字孪生指的是持续运行的、与物理实体保持数据回路的在线模型;PyBaMM 提供的是离线求解能力,接上数据同化、在线数据流与状态估计之后才具备数字孪生的形态。它自己不做采集、不做在线更新。

第二,「从配置文件自动装配」这个描述指向了一个已经不存在的机制。PyBaMM 当前的模型构建方式是表达式树:模型中每个数学表达式都是 Symbol 子类的一个实例,用户在构造模型时以 Python 代码显式组合它们,从 YAML 或 JSON 配置文件读取装配规则的方式已不属当前公开接口。配置文件这个印象多半来自其它 CAE 工具,或者是早期版本的遗留印象。

第三,那个 Star 计数是易变数字,写在条目里注定很快失效,本篇撤掉。

第四,年份需要修正。原条目记 2019,而 PyBaMM 的引用论文发表于 2021 年(Journal of Open Research Software, 9(1)),许可文件里的版权年份是 2018。本篇按引用论文年份记 2021。

那么这篇长文要讲什么。它讲的是:一个电池仿真框架到底由哪些零件构成、每个零件的公开接口长什么样、版本演进会怎样影响你的工程、以及它在物理 AI 工作流中真正能承担哪一段职责。站内 tools/physicsnemos 介绍的是另一条 GPU 加速的数值路线,collections/surrogate-modeling-rom 给出代理与降阶的一般谱系,cases/battery-thermal-piml 是一篇用物理信息网络做电池包温度场代理的案例,本篇补的是「物理模型本体」这一层。

二、原理与工作方式

PyBaMM 的全名是 Python Battery Mathematical Modelling。按官方 README 的界定,它由三块组成:(i) 一个用于编写并求解微分方程组的框架;(ii) 一个电池模型与参数库;(iii) 一组专门用于模拟电池实验并可视化结果的工具。

第一块是表达式树。整个模型被写成一组数学表达式,每个表达式是 Symbol 子类的实例——Parameter、FunctionParameter、Variable、Symbol 等。用户用 Python 代码把这些符号组合成方程,模型因此是一棵可组合、可微、可自动求导的表达式树。这一点是 PyBaMM 区别于「参数化模板型」仿真工具的根本:模型结构本身是数据,可以被程序化地生成、变换和检查。

第二块是离散化管线。每个模型内部含连续算子,必须先离散化才能求解。这一步由 Discretisation 对象完成,它接收一个 Mesh 对象和一组 SpatialMethod 对象。网格可按多种 submesh 类型切分,每个域(负极、正极、隔膜、电解液等)可以有独立的网格点数。空间离散方法包括有限体积与有限元等,选项通过 BatteryModelOptions 传入。

第三块是求解与实验。推荐且默认的求解器是 IDAKLUSolver,这是 PyBaMM 对 SUNDIALS 求解器套件的封装,其 C/C++ 实现在 25.1 版本被拆到独立的 pybammsolvers 包中,使 PyBaMM 主包成为纯 Python 包。求解结果是一个 Solution 对象,绘图走 QuickPlot,另有 plot_voltage_components() 与 plot_summary_variables() 两个专用函数分别拆解电压分量与汇总量。

实验由 Experiment 对象描述,可以写成 Python 字符串,也可以写成 step.BaseStep 对象的序列。典型的一段是「以 C/10 放电 10 小时或直到 3.3 V、休息 1 小时、以 1 A 充电直到 4.1 V、维持 4.1 V 直到 50 mA、休息 1 小时」,这类协议可以直接喂给 Simulation。

模型谱系上,官方公开 API 文档列出三个主要模型:lithium_ion.SPM(单颗粒模型)、lithium_ion.SPMe(含电解液的单颗粒模型)、lithium_ion.DFN(Doyle-Fuller-Newman 模型)。SPM 忽略电解液浓度分布,SPMe 保留电解液但用代数形式消去其扩散方程,DFN 完整保留固相扩散、电解液扩散与电势方程三组偏微分方程,物理保真度依次升高、计算量也依次升高。行为差异通过 BatteryModelOptions 切换,官方文档给出的选项键包括:颗粒扩散形式(Fickian 扩散、均匀分布、二次分布、四次分布、MSMR)、颗粒力学(无、仅膨胀、膨胀与开裂)、颗粒相数、颗粒形状、颗粒尺寸分布、SEI 子模型、SEI 膜电阻、SEI 在裂纹上的生长、SEI 引起的孔隙率变化、应力诱导扩散、表面形式、环境温度形式、热模型(等温、 lumped、x-lumped、x-full)、总界面电流密度是否作为状态量,以及传输效率模型(Bruggeman、有序堆积、双曲线旋转体、重叠球、迂曲因子、随机重叠圆柱等)。

退化侧目前有两条主线。SEI 生长模型的可选项包括 none、constant(恒定 SEI 厚度)、reaction limited、reaction limited(asymmetric)、solvent-diffusion limited、electron-migration limited、interstitial-diffusion limited、ec reaction limited、ec reaction limited(asymmetric)、VonKolzenberg2020、tunnelling limited。析锂侧有 no_plating、plating 与 total_lithium_plating 几个层级,其中 plating 与 total_lithium_plating 区分了「局部析锂」与「全电池析锂」两种处理方式。此外还有 OCP 侧的子模型族,包括单状态 OCP、MSMR OCP、单状态滞后 OCP、单状态微分容量滞后 OCP、电流 Sigmoid OCP 等。

参数集以「作者+年份」命名,仓库中内置的锂离子参数集包括 Ai2020、Bonkile2024、Chen2020、Chen2020_composite、Ecker2015、Ecker2015_graphite_halfcell、Marquis2019、Mohtat2020、NCA_Kim2011、OKane2022、ORegan2022、Prada2013、Ramadass2004、Xu2019 以及 MSMR_example_set。第三方参数集通过 pybamm_parameter_sets 入口点注册,社区与合作伙伴贡献的模型则单独放在 model zoo 包中分发。

三、适用边界与前提

第一个前提是模型保真度与用途的匹配。DFN 与 SPM 之间的选择不是一个性能旋钮,而是物理假设的取舍:SPM 不解电解液扩散,在快充、高倍率或电解液受限的场景会给出偏乐观的结果;DFN 保留完整物理,代价是求解成本与收敛难度上升。用 SPM 的结论支撑 DFN 级别的工程决策属于前提错配。

第二个前提是参数集代表的具体电芯。内置参数集每一个都对应一篇具体文献里的某类电芯(Chen2020 是 NMC811,Marquis2019 是 LG M50,Ecker2015 是石墨半电池,等等)。把它们当成通用默认值的做法风险很高:材料参数、OCP 曲线、固相扩散系数都绑定在特定体系上。

第三个前提是几何与一致性。PyBaMM 的默认几何是特定形态的(选项里有 “cell geometry” 的 “pouch” 等取值),用于产线尺寸的推断需要自定义几何,同时要在几何变更后重新确认网格与参数的一致性。

第四个前提是热与力学的耦合深度。热模型有等温、lumped、x-lumped、x-full 四档,从纯等温一路到完整热方程;颗粒力学有膨胀与开裂档位;这些选项可以叠加,但每一档叠加都会显著增加计算量与参数需求。实际项目里很少全开。

第五个前提是退化建模的时间尺度。SEI 生长与析锂这类退化过程在循环尺度上模拟是可行的(几百到几千圈),但把结果外推到全寿命(数千圈)需要额外假设,PyBaMM 本身不提供这部分保证。

第六个前提是编译求解器这一层的可用性。IDAKLUSolver 依赖 pybammsolvers 包提供的预编译二进制,不同平台(尤其 Windows 与不同 Python 版本)需要对应的 wheel;若目标环境无对应 wheel,用户需要回退到纯 Python 求解器,性能会有明显差别。

四、上手路径

最短路径在官方 README 里就是一段四行代码:

import pybamm
model = pybamm.lithium_ion.DFN()
sim = pybamm.Simulation(model)
sim.solve([0, 3600])
sim.plot()

这段做的是以默认设置跑一个 1C 恒流放电,求解一小时。

带实验协议的版本长这样:

import pybamm
experiment = pybamm.Experiment([
    ("Discharge at C/10 for 10 hours or until 3.3 V",
     "Rest for 1 hour",
     "Charge at 1 A until 4.1 V",
     "Hold at 4.1 V until 50 mA",
     "Rest for 1 hour") * 3,
])
model = pybamm.lithium_ion.DFN()
sim = pybamm.Simulation(model, experiment=experiment)
sim.solve()
sim.plot()

安装方面,官方强烈建议放在 Python 虚拟环境里。pip 方式是 pip install pybamm;conda 方式走 conda-forge 通道,conda install -c conda-forge pybamm-base 只装必需依赖,conda install -c conda-forge pybamm 装上除 jax 外的全部可选依赖。可选的 JAX 求解器另有一条安装路径(jax >=0.7.0, <0.9.0),需要显式安装。

平台支持是 GNU/Linux、macOS 与 Windows。有一点需要注意:README 明确标注,24.11.2 与 25.6 之间(不含这两个边界版本)的版本在 conda-forge 上不可用,需要回退到 pip 通道或改用其它版本。

真正上手时官方推荐的路径是从 Getting Started 系列教程进,直接阅读 API 文档并非推荐路径。教程从九个 notebook 起步:如何跑一个模型、如何比较不同模型、基本绘图、如何设置参数值、如何运行实验、如何管理仿真输出、模型选项、求解器选项、如何更换网格。之后是创建模型的六个 notebook,从一个简单 ODE 模型开始,逐步走到简单 PDE 模型、单颗粒模型的负极问题、完整与降阶模型的对比、半电池模型,以及一个简单的 SEI 生长模型。性能相关的 notebook 单独成组:理解 Simulation 类下的管线与性能剖面、用输入参数高效地以不同参数重跑、PyBaMM 的各个求解器、插值与求值点、求解器容差、通过定义输出变量降低内存占用、以及用 OpenMP 并行运行大量仿真。

社区与合作伙伴贡献的模型通过 pip install pybamm-model-zoo 单独安装。

引用方面,在脚本末尾加一行 pybamm.print_citations() 会把应引文献的 BibTeX 打到终端,给它传文件名则写入文件;全部引文的汇总在 packages/pybamm/src/pybamm/CITATIONS.bib。基础引用是 Sulzer V., Marquis S. G., Timms R., Robinson M., Chapman S. J. (2021), Python Battery Mathematical Modelling (PyBaMM), Journal of Open Research Software, 9(1), DOI 10.5334/jors.309。README 另外说明 PyBaMM 大量依赖 CasADi,因此 CasADi 的相关文献也需一并引用。

五、横向对比

在电池仿真这一层,PyBaMM 的对比对象主要有四类。

第一类是商业电化学设计工具。这类产品在电芯厂内部广泛使用,通常与实验标定流程深度耦合。PyBaMM 与它们的差异在于可编程性与可审计性:模型是表达式树源码,可以逐行阅读、修改、被程序化生成与测试;但缺少商业工具多年积累的实验标定流程与企业级工程管理。

第二类是其它开源电池建模项目。这一层的差异更多落在建模语言的取舍上——有的偏方程级(直接写偏微分方程再交给通用求解器),有的偏数据驱动。PyBaMM 走的是「物理模型 + 可编程装配」路线,代价是要接受它给定的建模抽象。

第三类是机器学习代理路线。站内 cases/battery-thermal-piml 是一个具体对照:那篇工作用物理信息神经网络直接预测液冷电池包的温度场,绕开了电化学建模;而 PyBaMM 的 SPMe/DFN 是物理模型本体。两者可以是替代关系,也可以是分层关系——用 SPMe 提供物理基线,用 ML 代理加速或修正。

第四类是降阶与实时模型。collections/surrogate-modeling-rom 讨论了各类降阶方法。在 PyBaMM 生态内部,SPM 与 SPMe 相对 DFN 本身就是一种物理层面的降阶;而从 DFN 再做 POD 或 ROM,则是数值层面的降阶。前者保留了方程结构,后者保留了解的流形。

一个值得注意的横向坐标是求解器生态。PyBaMM 默认的 IDAKLU 走 SUNDIALS,可选的 JAX 求解器走 JAX 前向模式自动微分这条线。tools/jax 与 tools/jax-cfd 讨论的是 JAX 在计算流体力学里的用法,其思想与 PyBaMM 的 JAX 求解器同源:在方程层保留可微性,从而让优化、参数估计和不确定性传播可以直接在模型上做梯度下降,无需依赖有限差分扰动。

六、基准与数据

先说一件需要摆在前面的事实:PyBaMM 官方并未发布一个「模型精度基准榜单」,也不存在一个官方的验证数据集作为精度标尺。它的正确性保证来自三处。

第一处是模型层面的文献对应关系。每个内置参数集都绑定一篇实测论文,每个方程形式(Doyle-Fuller-Newman 原始工作、Newman 的电解液模型、各类 SEI 生长机理)也都对应具体文献。精度论证方式是「模型形式与某篇论文在某组工况下吻合」,这类论证分散在各篇文献里,不集中在一张表上。

第二处是模型间的自洽性检查。教程二专门讲如何比较模型,SPM、SPMe、DFN 三者在同一工况下的差异本身就是一种检验:降阶模型与完整模型的偏差如果超出预期,说明降阶假设不成立。这是 PyBaMM 生态里最常用的一种验证手段。

第三处是回归测试与覆盖率。仓库有定期运行的测试流水线与代码覆盖率徽章,模型与求解器在每次提交上都会跑一遍回归。

与机器学习相关的一手证据可以从方法学层面找。PyBaMM 官方文档本身没有提供「用 ML 加速 PyBaMM」的官方教程,但生态里有大量这类工作,典型路线有三类:一是把 PyBaMM 当作数据生成器,批量跑参数扫描生成训练数据,再训练代理;二是把物理约束写进代理的损失项,让代理继承部分守恒关系;三是把 PyBaMM 内嵌进优化循环,用可微求解器或有限差分梯度直接对充电协议或电芯设计做优化。第三类之所以可行,前提正是 PyBaMM 表达式树的可微性与 InputParameter 机制——官方性能文档专门有一篇讲「用输入参数高效地以不同参数重跑仿真」,以及「通过定义输出变量降低内存占用」,这两项正是把 PyBaMM 嵌入大规模参数研究的关键工程能力。

需要提醒的边界是:这些第三方工作里报告的加速比与精度提升,依赖具体的电芯、具体工况与具体的代理架构,不构成对 PyBaMM 本身性能的度量。引用时应指向具体论文,并说明其适用范围。

与数据相关的另一个入口是电池数据集。PyBaMM 并不附带实验数据集,用户需要自行获取电芯测试数据用于参数估计或验证。

七、物理 AI 场景中的用法

把 PyBaMM 放到物理 AI 的工作流里,它承担的是「物理内核」这一角色,具体有五条接入路径。

第一类是作为数据生成器。这是目前最主流的用法:用 PyBaMM 在参数空间上批量扫点,生成「参数—电压曲线—容量—温度」的样本对,喂给学习式模型。这类用法要求调用方具备批量仿真能力,PyBaMM 的 OpenMP 并行 notebook、输入参数机制、输出变量裁剪三项能力就是为这类场景准备的。

第二类是作为参数估计的内核。已知电压曲线、已知工况,求未知的材料参数,这是标准的逆问题。PyBaMM 提供了参数值的表达机制(标量、Python 函数、Symbol 表达式三类)与方程残差计算,配合优化器即可做参数辨识。

第三类是作为可微内核嵌入优化循环。这一条对物理 AI 最有价值:把充电协议、电芯几何、极耳位置等设计变量接进模型参数,用梯度直接优化。JAX 求解器这条路线正是为此准备。这条路径的典型产物是一套「设计变量—性能指标」的可优化表达,与训练好的网络属于不同产物形态。

第四类是与 ML 混合模型。物理模型给出基线,ML 补偿物理模型的系统偏差——最典型的偏差来源是老化过程的不确定性,因为 SEI 与析锂的机理参数很难精确标定。这类混合结构里,PyBaMM 提供老化前中期的可信物理,ML 承担长期外推。

第五类是作为实时 BMS 内核。SPM 的计算量足够小,可以在嵌入式或边缘设备上实时跑,用于在线状态估计与安全边界判断。collections/performance-engineering 讨论的性能工程手段在这一层同样适用。

这五条路径有个共同前提:PyBaMM 输出的物理量要能被信任。这既要求模型形式选对,也要求参数集选对,还要求退化模型的选择有实验支撑。

八、不适用场景与失效模式

第一类是不适用真实寿命外推。SEI 生长与析锂模型在几百到几千圈循环上给出合理趋势,但全寿命的容量衰减轨迹受太多未建模机理影响(正极颗粒开裂、过渡金属溶解、产气、SEI 反复破裂与再生),PyBaMM 的参数化退化模型无法覆盖这些。原条目称可用于「SOH 预测」,这个说法需要在限定循环窗口内成立。

第二类是不适用未标定电芯的定量结论。内置参数集对应特定电芯体系。对一颗没有实测标定的电芯做定量预测,得到的曲线形状可能合理,数值则不可信。这在电芯厂之外的场景尤其需要注意。

第三类是析锂与快充边界的局限。析锂模型的定量能力受限于 SEI 膜的电子穿透率参数,而这个参数在文献之间差异极大,快充窗口的边界预测因此对参数选择高度敏感。

第四类是空间非均匀性的简化。x 方向的降维(x-averaged)在电极尺度上成立的前提是电流密度沿厚度方向近似均匀、集流体电位分布可忽略。在极低倍率或高倍率(大电流)下这些前提会松动。

第五类是几何与多物理场耦合的简化。默认几何是特定的;完整的三维热-电-化学耦合、接触热阻、模组级冷却网络都不在框架的核心路径上,需要自行搭建。

第六类是版本升级带来的行为变化。PyBaMM 采用 CalVer,破坏性变更目标是当月的第一个功能版本;一旦上游改了默认模型、默认求解器或默认选项,数值结果会随之改变。依赖 PyBaMM 做决策的流程必须锁版本。

第七类是编译依赖与平台差异。pybammsolvers 提供的预编译二进制在不同平台与 Python 版本上覆盖不全,无对应 wheel 时必须回退到纯 Python 求解器,性能差距明显,批量仿真方案要为此留出余量。

第八类是概念误用带来的风险。把 PyBaMM 当成数字孪生系统接入生产流程,期望它处理在线数据流与状态更新,会得到一个不完整的系统。框架提供内核,数字孪生还需要数据同化、在线状态估计、告警逻辑与运行监控。

九、版本与口径核对

本节逐条记录本次核查对原条目表述的修正,以及一手来源给出的边界。

  1. 框架定位。官方 README 把 PyBaMM 界定为开源电池仿真包,由「编写并求解微分方程组的框架」「电池模型与参数库」「模拟电池实验并可视化结果的专用工具」三部分组成。原条目称其为「数字孪生」,属于定位上移;数字孪生需要额外的在线与同化环节。

  2. 模型装配机制。模型通过 Symbol 表达式树以 Python 代码组合,模型结构是可编程的数据。原条目称「模型由配置文件自动装配」,与当前的公开 API 不符,本篇更正为表达式树路线。

  3. 模型谱系。公开 API 文档列出三个主要模型:SPM(单颗粒模型)、SPMe(含电解液的单颗粒模型)、DFN(Doyle-Fuller-Newman)。原条目表述与之相符。

  4. 求解器。推荐且默认的求解器是 IDAKLUSolver,为 SUNDIALS 套件的 PyBaMM 封装;其 C/C++ 实现在 25.1 版本迁至独立包 pybammsolvers,PyBaMM 主包自此为纯 Python 包。可选 jax 求解器,版本要求 jax >=0.7.0, <0.9.0。

  5. 建模选项。模型行为通过 BatteryModelOptions 切换,选项键覆盖颗粒扩散形式、颗粒力学、颗粒相数与形状与尺寸分布、SEI 及其膜电阻与裂纹与孔隙率变体、应力诱导扩散、表面形式、环境温度形式、热模型四档、总界面电流密度是否作状态量、传输效率模型族。原条目未提及选项体系。

  6. 退化子模型。SEI 生长选项为 none、constant、reaction limited、reaction limited(asymmetric)、solvent-diffusion limited、electron-migration limited、interstitial-diffusion limited、ec reaction limited、ec reaction limited(asymmetric)、VonKolzenberg2020、tunnelling limited;析锂侧为 no_plating、plating、total_lithium_plating;OCP 侧另有单状态、MSMR、单状态滞后、单状态微分容量滞后、电流 Sigmoid 等形式。

  7. 参数集。仓库内置锂离子参数集包括 Ai2020、Bonkile2024、Chen2020、Chen2020_composite、Ecker2015、Ecker2015_graphite_halfcell、Marquis2019、Mohtat2020、NCA_Kim2011、OKane2022、ORegan2022、Prada2013、Ramadass2004、Xu2019 与 MSMR_example_set。第三方参数集经 pybamm_parameter_sets 入口点注册。原条目称「文献参数集」方向正确,未具体化。

  8. 模型 zoo。社区与合作伙伴贡献的模型单独分发,安装方式为 pip install pybamm-model-zoo。这一分发的存在意味着第三方模型与核心模型的版本兼容性需要使用者自行核对。

  9. 版本策略。PyBaMM 采用 CalVer,版本号形如 YY.MM.N.P:YY.MM 为发布年月,N 为当月第几个功能版本(首个为 0),P 为补丁级别。发布没有固定周期,「有值得发布的东西时才发」。公共 API 被移除或重命名时,先在至少两个先前功能版本中发出 DeprecationWarning。破坏性变更目标为当月第一个功能版本,出现在 CHANGELOG.md 顶部的 ## Breaking changes 段;同月后续功能版本原则上不包含破坏性变更,确有必要时须在 PR 描述与 changelog 中说明理由并给出标准弃用说明。补丁版本仅含缺陷修复。README 的简化表述是「任何版本都可能包含破坏性变更」,完整发布策略见 RELEASE.md。

  10. 公共 API 的定义。发布策略把公共 API 定义为「docs.pybamm.org 上有文档的一切」。未进入已渲染 API 参考索引的内部模块、以下划线开头的名称、未记录的辅助函数属私有内容,可在任意两个版本之间变化。这一点对使用者的意义是:判断某个接口是否稳定,看它是否出现在 API 参考索引里。

  11. 版本可用性。README 标注 24.11.2 与 25.6 之间(不含边界版本)的版本不在 conda-forge 上提供。

  12. 平台与安装。支持 GNU/Linux、macOS、Windows;pip 与 conda-forge 两条通道;conda 下分 pybamm-base(仅必需依赖)与 pybamm(除 jax 外全部可选依赖)两个包。

  13. 引用口径。基础引用为 Sulzer V., Marquis S. G., Timms R., Robinson M., Chapman S. J. (2021), Python Battery Mathematical Modelling (PyBaMM), Journal of Open Research Software, 9(1), DOI 10.5334/jors.309;pybamm.print_citations() 输出应引文献的 BibTeX;全部引文汇总于 packages/pybamm/src/pybamm/CITATIONS.bib;README 特别说明 PyBaMM 大量依赖 CasADi。

  14. 治理与资助。PyBaMM 采用开放治理模式,由 NumFOCUS 提供财政赞助。

  15. 许可口径。仓库 LICENSE.txt 为 BSD 三条款,版权标注为「Copyright (c) 2018, the PyBaMM team」;README 表述为「完全开源」。原条目的 BSD-3-Clause 标注正确。

  16. 年份口径。原条目记 2019,本篇按引用论文年份记 2021;许可文件版权年份为 2018。

  17. 易变数字。原条目括注的「1.7k+ Star」为仓库热度的快照值,会持续失效,本篇撤除;此类指标不应作为条目正文的一部分。

  18. 遥测。PyBaMM 默认收集匿名使用数据(版本、Python 版本、调用的函数),可设置环境变量 PYBAMM_DISABLE_TEELLEMETRY 或调用 pybamm.telemetry.disable() 关闭。原条目未提及。

  19. 官方基准的缺口。官方未发布精度基准榜单或验证数据集,正确性论证分散于各参数集对应文献、模型间自洽比较与回归测试三处。原条目「与商用锂电实测数据验证的公开论文」这一表述,指向的是生态内各类文献,并非官方提供的验证套件。

站内相关条目可参照 cases/physicsnemo-tcad-chip-thermal(同为长文核对的另一纵切)、tools/physicsnemos(GPU 加速数值路线)、guides/classical-solver-cost-boundary-2026(求解器成本边界)以及 collections/numerics-and-solvers。

十、参考资料

  1. PyBaMM 项目仓库与 README(框架定义、CalVer 版本策略、安装与引用说明),https://github.com/pybamm-team/PyBaMM
  2. Sulzer V., Marquis S. G., Timms R., Robinson M., Chapman S. J., “Python Battery Mathematical Modelling (PyBaMM)”, Journal of Open Research Software, 9(1), 14, 2021, DOI 10.5334/jors.309
  3. PyBaMM 许可文件 LICENSE.txt(BSD 三条款,Copyright (c) 2018, the PyBaMM team),https://github.com/pybamm-team/PyBaMM/blob/main/LICENSE.txt
  4. PyBaMM 用户指南:公开 API 概览(SPM / SPMe / DFN、Simulation、ParameterValues、Experiment、IDAKLUSolver、Discretisation),https://docs.pybamm.org/en/latest/source/user_guide/fundamentals/public_api.html
  5. PyBaMM 发布策略文档 RELEASE.md 解读(CalVer、破坏性变更、弃用政策、公共 API 定义),https://docs.pybamm.org/en/latest/source/user_guide/release.html
  6. PyBaMM 电池模型选项定义 base_battery_model.py(SEI、析锂、颗粒力学、热模型、传输效率等选项枚举),https://github.com/pybamm-team/PyBaMM/blob/main/packages/pybamm/src/pybamm/models/full_battery_models/base_battery_model.py
  7. PyBaMM 锂离子参数集目录(Ai2020、Bonkile2024、Chen2020、Marquis2019、Mohtat2020、OKane2022、ORegan2022、Prada2013、Ramadass2004 等),https://github.com/pybamm-team/PyBaMM/tree/main/packages/pybamm/src/pybamm/input/parameters/lithium_ion
  8. PyBaMM 参数集注册文档(第三方参数集入口点 pybamm_parameter_sets),https://docs.pybamm.org/en/latest/source/api/parameters/parameter_sets.html
  9. PyBaMM 性能文档(Simulation 管线、InputParameter、求解器、输出变量裁剪、OpenMP 并行),https://docs.pybamm.org/en/latest/source/examples/notebooks/performance/index.html
  10. PyBaMM 版本发布记录(GitHub Releases,CalVer 版本号实例),https://github.com/pybamm-team/PyBaMM/releases
  11. PyBaMM 遥测说明文档(匿名使用数据与关闭方式),https://docs.pybamm.org/en/latest/source/user_guide/index.html
  12. Marquis S. G., et al., “A Solver for the Doyle-Fuller-Newman Model”, Journal of The Electrochemical Society, 167(1), 2020
  13. Murray Y., et al., “PyBaMM: Python Battery Mathematical Modelling”, Journal of Open Source Software, 6(62), 2021
标签: