Modelado de electroquímica de baterías con PDES: desde modelos de una sola partícula hasta modelos completos

El modelado de electroquímica de batería utilizando ecuaciones diferenciales parciales (PDES) proporciona una simulación de alta fidelidad del comportamiento de las células de iones de litio. El modelo Single Particle (SPM) ofrece eficiencia computacional para aplicaciones en tiempo real, mientras que el modelo doyle-fuller-newman (DFN) captura dinámicas de electrolitos completas para escenarios de alta potencia. Esta guía cubre las ecuaciones gobernantes, la implementación con las técnicas fipy y validación para ambos enfoques.

Introduccion

La simulación de batería de iones de litio se basa en modelos basados en la física que describen los procesos electroquímicos acoplados dentro de la celda. Estos modelos forman la base para los sistemas de gestión de baterías (BMS), la optimización del diseño y la predicción del rendimiento. La elección entre modelos simplificados y de total fidelidad implica intercambiar velocidad computacional contra precisión, una decisión que afecta todo, desde controladores integrados hasta simulaciones de investigación.

Este artículo proporciona una guía práctica para el modelado de electroquímica de batería utilizando PDES, que cubre:

• El marco matemático detrás de los modelos P2D/DFN
• Simplificaciones que conducen al modelo de partícula única
• Estrategias de implementación utilizando la biblioteca de volúmenes finitos de Fipy
• Cuándo elegir SPM versus DFN en función de su aplicación
• Desafíos comunes en la estimación y validación de parámetros

El marco PDE: modelo P2D/DFN

El modelo pseudo-didimensional (P2D), también conocido como el modelo Doyle-Fuller-Newman (DFN), representa el estándar de oro para la simulación de batería basada en la física. Captura fenómenos de transporte tanto a través del grosor de la celda (dirección x) como dentro de las partículas de electrodos individuales (dirección R), de ahí «pseudo-2d» [^1][^2].

Ecuaciones gobernantes centrales

El modelo P2D completo consiste en cuatro PDES no lineales acoplados que describen las leyes de conservación en fases sólidas y electrolíticas [^3][^4]:

1. Difusión en fase sólida (segunda ley de Fick)

Intercalación de litio dentro de partículas activas esféricas:

$$
frac{parcial c_s}{parcial t} = frac{d_s}{r^2} frac{parcial}{parcial r}left(r^2 frac{parcial c_s}{parcial r}derecho)
$$

donde:

• $C_S$ = concentración de litio sólido (mol/m³)
• $D_S$ = difusividad de fase sólida (m²/s)
• $R$ = coordenada radial dentro de la partícula

Condiciones de frontera:

• Centro ($r = 0$): $frac{parcial c_s}{parcial r} = 0$ (simetría)
• Superficie ($R = R_S$): $-D_S frac{parcial c_s}{parcial r} = frac{j_{li}}{f}$

2. Transporte de concentración de electrolitos

Movimiento de iones de litio a través de los poros de electrolito:

$$
varepsilon_e frac{parcial c_e}{parcial t} = nabla cdot (d_{e,eff} nabla c_e) + frac{1 – t_0^+}{f} j_{li}
$$

donde:

• $varepsilon_e$ = porosidad del electrolito
• $C_E$ = concentración de electrolitos (mol/m³)
• $D_{e,eff}$ = Difusividad de electrolitos efectiva (m²/s)
• $T_0^+$ = Número de transferencia de cationes
• $j_{li}$ = flujo de pared de poros (A/m²)

3. Potencial de fase sólida (ley de Ohm)

Flujo de corriente a través de matriz de electrodos:

$$
i_s = -sigma_{eff} nabla phi_s, quad nabla cdot i_s = -j_{li}
$$

donde:

• $sigma_{eff}$ = Conductividad electrónica efectiva (S/M)
• $Phi_S$ = potencial sólido (V)

4. Potencial de fase electrolítica

Transporte de iones en electrolito:

$$
i_e = -kappa_{eff} nabla phi_e + frac{2kappa_{eff}rt}{f}(1 – t_0^+) nabla ln c_e, quad nabla cdot i_e = j_{li}
$$

donde:

• $kappa_{eff}$ = Conductividad iónica efectiva (S/M)
• $Phi_E$ = Potencial de electrolito (V)
• $R$ = Constante de Gas Universal (8.314 J/(Mol·K))
• $T$ = temperatura (K)
• $f$ = constante de Faraday (96485 c/mol)

Acoplamiento a través de la cinética Butler-Volmer

El flujo de reacción $j_{li}$ acopla sólido y electrolito a través de cinética electroquímica:

$$
J_{li} = A_S I_0 izquierda[expleft(frac{alpha_a F eta}{RT}right) – expleft(-frac{alpha_c F eta}{RT}right) right]
$$

donde:

• $A_S$ = Área interfacial específica (m²/m³)
• $I_0$ = Densidad de corriente de intercambio (A/m²)
• $alpha_a, alpha_c$ = coeficientes de transferencia anódico/catódico
• $eta = phi_s – phi_e – u(c_s)$ = sobrepotencial (v)
• $u(c_s)$ = voltaje de circuito abierto (V), función de la concentración de la superficie

El voltaje terminal se obtiene de la diferencia de potencial en la celda:

$$
V(t) = phi_s(l,t) – phi_s(0,t) – r_{film} i_{app}(t)
$$

donde $l$ es el grosor total de la celda y $r_{film}$ cuenta para las resistencias de contacto [^5].

condiciones de contorno

Las condiciones de contorno adecuadas son esenciales para los problemas de PDE bien planteados [^6]:

El sistema P2D completo comprende 17 PDE acoplados y ecuaciones algebraicas cuando se tienen en cuenta ambos electrodos, electrolitos y partículas múltiples [^7].

Enfoque simplificado: Modelo de partícula única (SPM)

El Modelo de partícula única (SPM) reduce el costo computacional al hacer dos simplificaciones clave [^8][^9]:

1. Distribución de corriente uniforme: cada electrodo está representado por una sola partícula esférica, asumiendo una densidad de corriente de reacción uniforme en todo el espesor del electrodo.
2. Dinámica de electrolitos descuidado: se asume que la concentración de electrolitos y los gradientes de potencial son uniformes o constantes.

Simplificación matemática

El SPM retiene solo el PDE de difusión en fase sólida para cada electrodo:

$$
frac{parcial c_s}{parcial t} = frac{d_s}{r^2} frac{parcial}{parcial r}left(r^2 frac{parcial c_s}{parcial r}derecho)
$$

El voltaje terminal se simplifica a:

$$
V(t) = u(c_{s,surf}^{pos}) – u(c_{s,surf}^{neg}) – r_{int} cdot i_{app}(t)
$$

donde $r_{int}$ es una resistencia interna agrupada (a menudo constante o empírica).

Ventaja computacional: SPM reduce el sistema de 17 ecuaciones acopladas a esencialmente 2 PDES de difusión (uno por electrodo), cortando el tiempo de simulación en 10-100 × [^10].

Cuándo usar SPM

SPM es apropiado para [^11]:

• Sistemas de gestión de baterías (BMS): Estimación SOC/SOH en tiempo real en hardware integrado
• Tarifas C bajas a moderadas: < Descarga 1C donde las variaciones de concentración de electrolitos son mínimas
• Diseño del controlador: iteración rápida durante el desarrollo de algoritmos
• Estudios preliminares de diseño: barridos de parámetros rápidos antes de comprometerse con DFN completo

Límites de precisión: SPM no logra capturar el SAG de voltaje a altas velocidades, efectos de agotamiento de electrolitos y gradientes de concentración localizados. Para aplicaciones de carga 3C o de potencia intensiva, los errores superan el 5-10% [^12].

SPM extendido (SPME)

El modelo de partícula única con electrolito (SPME) agrega una ecuación de dinámica de electrolito agrupado, SPM puente y DFN. Captura variaciones moderadas de concentración de electrolitos sin tratamiento PDE completo, ofreciendo una mayor precisión a ~2-3× el costo de SPM [^13].

Fidelidad completa: modelo Doyle-Fuller-Newman (DFN)

El modelo DFN implementa la teoría completa de electrodos porosos, resolviendo el transporte en fases sólidas y líquidas a través de la pila de celdas [^1][^2].

Sistema PDE completo

El DFN conserva las cuatro familias de PDE:

1. Difusión sólida (2 PDES: ánodo + partículas de cátodo)
2. Concentración de electrolitos (1 PDE a través del espesor de la celda)
3. Potencial sólido (2 PDES: ánodo + cátodo)
4. Potencial de electrolitos (1 PDE a través del grosor de la celda)

Más restricciones algebraicas:

• Cinética de mayordomo-Volmer en superficies de partículas
• Ley de voltaje de Kirchhoff para voltaje terminal
• Límites de conservación actuales

Total: ~6-8 PDE dependiendo de la formulación (algunas variables combinadas/eliminar).

Cuando se requiere DFN

Use DFN para [^14]:

• Aplicaciones de alta tasa: > Carga/descarga 2C donde dominan los gradientes de electrolitos
• Diseño detallado del electrodo: distribuciones de grosor, porosidad, tamaño de partícula
• Envejecimiento y degradación: Crecimiento de SEI, litio, recubrimiento depende de las condiciones locales
• Acoplamiento térmico: los gradientes de temperatura interactúan con los procesos electroquímicos
• Referencia de validación: Modelos de orden reducido de referencia contra la verdad de alta fidelidad

Costo computacional: Las simulaciones DFN pueden ser 10-100× más lentas que SPM, lo que requiere una optimización numérica cuidadosa (esquemas implícitos, malla adaptativa) [^15].

Implementación con Fipy

FIPY es un solucionador de volumen finito de Python de código abierto ideal para PDE de batería debido a su manejo de malla flexible y términos de difusión/reacción incorporados [^16].

Configuración del problema P2D

Una implementación mínima de Fipy sigue estos pasos:

from fipy import CellVariable, Grid2D, TransientTerm, DiffusionTerm

# 1. Define 2D mesh (x: cell thickness, r: particle radius)
mesh = Grid2D(dx=dx, dy=dr, nx=100, ny=50)

# 2. Create solution variables
c_s = CellVariable(name="solid_concentration", mesh=mesh, hasOld=True)
phi_s = CellVariable(name="solid_potential", mesh=mesh)
c_e = CellVariable(name="electrolyte_concentration", mesh=mesh)
phi_e = CellVariable(name="electrolyte_potential", mesh=mesh)

# 3. Define governing equations
eq_s = (TransientTerm(var=c_s) == 
       DiffusionTerm(coeff=D_s, var=c_s))

eq_phi_s = (ImplicitSourceTerm(coeff=sigma_eff, var=phi_s) == 
            -j_Li)  # reaction source

# 4. Add boundary conditions
c_s.faceGrad.constraint = ...  # particle surface flux
phi_s.constraint[boundary_id] = ...  # applied voltage

# 5. Time stepping
for step in range(num_steps):
    c_s.updateOld()
    eq_s.solve(var=c_s, dt=dt)
    # ... solve coupled equations sequentially or fully coupled

Consejos prácticos de implementación

Basado en la implementación de referencia fvbattpy [^17]:

1. Estrategia de malla: refina las interfaces de electrodo/electrolito cerca de los gradientes
2. Enfoque de acoplamiento: use solucionadores iterativos de bloque (Gauss-Seidel) o Newton-Raphson para el acoplamiento completo
3. Time Stepping: control de tiempo adaptativo durante los transitorios; Esquemas explícitos inestables para la difusión
4. Inicialización: comenzar desde el equilibrio (OCV) para evitar la divergencia del solucionador
5. Archivos de parámetros: almacenar propiedades de material en la configuración estructurada (yaml/json) para la reproducibilidad

Ejemplo completo de Fipy

El fvbattpy GitHub Repository proporciona una implementación completa de P2D con:

• Geometría multicapa (ánodo|separador|cátodo)
• Cinética de reacción de Butler-Volmer
• Conjuntos de parámetros para químicos comunes (NMC, LFP, Grafito)
• Controladores de simulación para perfiles de corriente/voltaje constante
• Visualización y posprocesamiento

Este código de referencia demuestra las mejores prácticas para el manejo:

• Propiedades de material variable (difusividad dependiente de la concentración)
• Problemas de contorno en movimiento (inflamación de partículas)
• Extensiones de acoplamiento térmico

Comparación de modelos: SPM vs DFN

La compensación entre Speed y Precisión determina la selección del modelo [^11][^12]:

Marco de decisión

Siga este diagrama de flujo para la selección del modelo:

High-power application (>2C)? ──Yes──> Use DFN
       │
      No
       │
Real-time embedded control? ──Yes──> Use SPM or SPMe
       │
      No
       │
Parameter estimation available? ──No──> Start with SPM, validate later
       │
      Yes
       │
Computational budget充足? ──Yes──> Use DFN for highest fidelity
       │
      No
       │
Use SPMe (middle ground)

Recomendación: Siempre compare el modelo elegido con los datos experimentales o una simulación DFN de confianza antes de la implementación [^14].

Retos prácticos

Estimación de parámetros

Los modelos PDE requieren numerosos parámetros físicos [^18]:

• Fase sólida: $D_S$, $A_S$, $I_0$, $U(C)$ Curva
• electrólito: $d_{e,eff}(varepsilon)$, $kappa_{eff}(varepsilon, c_e)$, $t_0^+$
• Geométrico: espesores de electrodos, radios de partículas, porosidades
• Transporte: exponentes de Bruggeman para propiedades efectivas

Desafíos clave [^19]:

1. Sobreparametrización: diferentes combinaciones de parámetros producen salidas de voltaje similares, lo que dificulta la identificación única
2. Dependencia de estado: los parámetros varían con el SOC, la temperatura, el envejecimiento; requieren conjuntos de datos completos
3. Dificultad de medición: algunos parámetros (por ejemplo, $I_0$, $D_S$) requieren equipos de laboratorio especializados (EIS, GITT)
4. Gasto computacional: cada evaluación de parámetros requiere una resolución completa de PDE; optimization loops become expensive

Estrategias de mitigación:

• Análisis de sensibilidad: Identificar y estimar solo los parámetros influyentes; arreglar a otros de la literatura
• Modelos de orden reducido: use SPM/SPME para la estimación de parámetros, luego transfiéralo a DFN
• Métodos híbridos: combinar modelos basados en la física con sustitutos de aprendizaje automático para una optimización más rápida
• Estimación de varias etapas: Estime primero los parámetros agrupados (resistencia interna), luego los electroquímicos [^20]

Gestión de costos computacionales

Las soluciones completas de DFN siguen siendo costosas. Estrategias para reducir el tiempo de ejecución:

1. Optimización de malla: malla gruesa en el separador, refinada en electrodos; 1d en lugar de 2d completo
2. Time Stepping: $Delta T$ adaptativo (grande durante el equilibrio, pequeño durante los transitorios)
3. Selección de solucionador: use esquemas implícitos (BDF); PETSC para soluciones paralelas
4. Reducción de pedidos de modelos: descomposición ortogonal adecuada (POD) o modelado sustituto
5. Aceleración de hardware: solucionadores por puerto de GPU (variantes fipy habilitados para CUDA)

Para simulaciones 1C típicas, DFN optimizado se ejecuta en 5-30 minutos en CPU modernas; SPM se completa en segundos [^21].

Validación y verificación de modelos

V&V garantiza que su simulación coincida con la realidad [^22][^23]:

Verificación (resolver ecuaciones correctamente):

• Revisión de código y pruebas unitarias
• Comparar con soluciones analíticas (por ejemplo, difusión de flujo constante)
• Estudios de independencia de malla (refinar hasta que convergen los resultados)
• Casos degenerados: corriente cero, estados totalmente cargados/descargados

Validación (resolver ecuaciones correctas):

• Compare voltaje/corriente simulado con datos de ciclos experimentales
• Use perfiles estándar: USABC, FUDS, ciclos de accionamiento DST
• Métricas de error: RMSE < 50 mV para voltaje; Mape < 2% para SoC
• Parámetros Cuantificación de la incertidumbre: intervalos de confianza en las predicciones

Protocolo de validación recomendado:

1. Pruebas estáticas: caracterización OCV, HPPC (caracterización de potencia de pulso híbrido) para resistencia
2. Pruebas dinámicas: descargas de corriente constante a múltiples tasas C (0.2c, 1c, 2c)
3. Variación de temperatura: repita a 10°C, 25°C, 40°C para probar el acoplamiento térmico
4. Datos de envejecimiento: la capacidad de seguimiento se desvanece en más de 100 ciclos para modelos de degradación

Herramientas: Matlab/Simulink Battery Toolbox, Pybamm o scripts Fipy personalizados con importación de datos experimentales.

Conclusión y próximos pasos

El modelado de electroquímica de baterías con PDES ofrece un poderoso puente entre la física fundamental y la ingeniería práctica. La elección entre SPM y DFN depende de su compensación específica entre la eficiencia computacional y la fidelidad de la simulación:

• SPM: BMS en tiempo real, prototipado de controladores, exploración rápida de diseño
• DFN: validación de alta fidelidad, optimización detallada del diseño, estudios de envejecimiento

Empezando:

1. Experimento con pybamm: proporciona implementaciones de SPM, SPME y DFN listas para usar con extensas bibliotecas de parámetros [^24]
2. Explore FVBATTPY: estudie el código P2D basado en FIPY para la personalización y la extensión
3. Comuníque su aplicación: valide las predicciones del modelo con respecto a su química celular específica y las condiciones de operación
4. Estimación de parámetros maestros: invierta en caracterización experimental o utilice conjuntos de datos públicos (por ejemplo, datos de baterías de la NASA)
5. Implementar el flujo de trabajo de V&V: crear pruebas automatizadas para detectar la degradación del modelo a lo largo del tiempo

referencias

[^1]: Doyle, M., Fuller, T. F. y Newman, J. (1993). Modelado de carga galvanostática y descarga de la celda de litio/polímero/inserción. Revista de la Sociedad Electroquímica, 140(6), 1526-1533.
[^2]: Newman, J. y Thomas-Alyea, K. E. (2012). Sistemas electroquímicos (3ª ed.). Wiley.
[^3]: Zhu, G., et al. (2024). Un modelo electroquímico simplificado para baterías de iones de litio. Revista de Química Energética, 90, 521-533.
[^4]: Li, Y., et al. (2022). Un marco de simplificación del modelo PDE para baterías de estado sólido. Universidad de Chalmers.
[^5]: Moura, S. J., et al. (2015). Estimación y control de modelos de electroquímica de baterías. Tutorial CDC.
[^6]: Chen, Z., et al. (2022). Modelado de electrodos porosos y sus aplicaciones a baterías de iones de litio. Física de los fluidos, 34(8).
[^7]: Manzie, C., et al. (2015). Técnicas de simplificación para modelos de baterías de iones de litio basados en PDE. Conferencia de control australiano.
[^8]: Él, W., et al. (2024). Un modelo extendido de una sola partícula de baterías de iones de litio. Journal of Energy Storage, 92, 112-129.
[^9]: Li, J., et al. (2017). Un modelo de partícula única para baterías de iones de litio con dinámica de electrolitos. Revista de la Sociedad Electroquímica, 164(4), A755-A764.
[^10]: Pérez, H. E., et al. (2016). Carga óptima de baterías a través de un modelo de partícula. Transacciones IEEE sobre tecnología de sistemas de control, 24(3), 952-964.
[^11]: Brosa Planella, F., et al. (2022). Un continuo de modelos de baterías de iones de litio basados en la física. Revista de Física: Energía, 4(2), 022001.
[^12]: Ali, H. A. A., et al. (2024). Una comparación entre los modelos de batería de iones de litio basados en la física. Computadoras e Ingeniería Química, 108, 108-125.
[^13]: Xue, C., et al. (2023). Un modelo mejorado de una sola partícula utilizando una red neuronal informada en la física. Baterías, 9(10), 511.
[^14]: Paten, I. B., et al. (2026). Los modelos de baterías de iones de litio de doble continuo son rápidos y precisos. Revista de la Sociedad Electroquímica, 193(1), 011504.
[^15]: Xu, S., et al. (2025). Convergencia óptima en el análisis de errores semidiscretos de elementos finitos para el modelo Doyle-Fuller-Newman. Revista de análisis numérico de la IMA.
[^16]: Manual FIPI. Instituto Nacional de Normas y Tecnología. 2024.
[^17]: Gopalakrishnan, K., et al. (2020). FVBATTPY: Modelo P2D Newman usando Fipy. Github.
[^18]: Guo, F., et al. (2026). Optimización de la estimación de parámetros para modelos de baterías electroquímicas. Revista de fuentes de energía, 625, 234-248.
[^19]: Kolluri, S., et al. (2022). Un enfoque de tanques en serie para estimar los parámetros de los modelos de baterías. Revista de la Sociedad Electroquímica, 169(4), 040553.
[^20]: Moura, S. J., et al. (2015). Técnicas de estimación de PDE para sistemas avanzados de gestión de baterías. Conferencia de Control Americano.
[^21]: Sachsenweger, T., et al. (2026). Chargefabrica: una herramienta de diferencia finita basada en Python para la simulación de baterías. Revista de Física: Materiales, 9(1), 025009.
[^22]: Horiba FuelCon (2007). Pruebas de verificación de la vida de la tecnología de la batería.
[^23]: Foles, A., et al. (2022). Validación de un modelo de paquete de batería comercial de iones de litio. Open Research Europe, 2, 15.
[^24]: Documentación de Pybamm. Modelado matemático de batería Python. 2025.