Hybrid optimization and neural network approaches for inverse learning in battery modeling

This thesis investigates hybrid modeling strategies for electrochemical battery simulations by integrating neural networks and parametric surrogate models into high-fidelity numer- ical frameworks. Focusing on lithium-ion cell modeling, the study is based on the Julia implementation of the open-source BattMo library, which provides a modular architec- ture for embedding custom components. The central goal is to assess whether surrogate models can replace or enhance specific physical submodels and whether hidden functions of the battery model can be inferred from observable data such as voltage and current. Threekeyresearchquestionsguidethiswork: howsurrogatemodelscanbeintegratedinto simulators like BattMo; whether inverse problems such as Open Circuit Potential (OCP) profile recovery are well-posed and identifiable in practice; and how gradient-free methods perform when gradients are unavailable. To explore these, neural network and parametric representations of OCP functions were implemented, embedded into the simulator, and trainedeitherdirectlyorindirectlyfromoutputdata. Optimizationreliedongradient-free methods, specifically Adaptive Particle Swarm Optimization (APSO), due to the lack of an automatic differentiation (AD) interface during numerical experiments. ResultsshowthatsurrogatemodelscanbesuccessfullyintegratedintoBattMoandusedto recover hidden functions with reasonable accuracy, although the inverse problems remain ill-posed and sensitive to data limitations. Gradient-free optimization worked reasonably well for simple models but became computationally prohibitive for higher-dimensional neural networks.

Questa tesi esplora strategie di modellazione ibrida per la simulazione di batterie elet- trochimiche, integrando reti neurali e modelli surrogati parametrici all’interno di frame- work numerici ad alta fedeltà. Concentrandosi sulla modellazione di celle agli ioni di litio, lo studio si basa sull’implementazione in Julia della libreria open-source BattMo, che of- fre un’architettura modulare per l’integrazione di componenti personalizzati. L’obiettivo principale è valutare se i modelli surrogati possano sostituire o migliorare specifici sotto- modelli fisici e se sia possibile inferire funzioni nascoste del modello di batteria a partire da dati osservabili, come tensione e corrente. Il lavoro è guidato da tre domande di ricerca fondamentali: come integrare modelli sur- rogati in simulatori come BattMo; se i problemi inversi, come il recupero del profilo di OCP, siano ben posti e identificabili nella pratica; e come si comportino i metodi privi di gradiente quando le derivate non sono disponibili. Per affrontare questi temi, sono state implementate rappresentazioni neurali e parametriche delle funzioni di OCP, integrate nel simulatore e addestrate direttamente o indirettamente a partire dai dati di output. L’ottimizzazione si è basata su metodi privi di gradiente, in particolare sull’Adaptive Particle Swarm Optimization (APSO), a causa della mancanza di un’interfaccia di dif- ferenziazione automatica (AD) durante gli esperimenti. IrisultatimostranocheimodellisurrogatipossonoessereintegraticonsuccessoinBattMo e utilizzati per recuperare funzioni nascoste con una precisione ragionevole. Tuttavia, i problemi inversi rimangono mal posti e sensibili alla limitatezza dei dati. L’ottimizzazione priva di gradiente ha funzionato bene per modelli semplici, ma è diventata proibitiva dal punto di vista computazionale per reti neurali di dimensioni maggiori.