物理信息 CNN 预测电池包温度场

伊利诺伊大学厄巴纳-香槟分校的研究团队搭建了 21700 电池包的间接液冷系统（上下冷板、电芯周围填充导热胶），先依据实验结果标定简化有限元模型，再用物理信息卷积神经网络预测温度场。

物理如何进入模型：损失函数由有限差分离散后的热传导方程构造，网络不仅要拟合逐点误差，还要为违反能量守恒付出代价；这一约束在标注数据稀缺时同样能稳定训练过程。

报告结果：在完全相同的训练数据下，物理信息网络的精度比纯数据驱动基线提升 15% 以上。

工程启示：电池热管理设计的成本主要消耗在有限元训练数据的生成上，把控制方程写进损失函数可以让代理模型用远更少的仿真达到可用精度——这也正是物理信息方法在整个 CAE 领域具备吸引力的原因。