锂离子电池凭借高能量密度、长循环寿命和灵活的系统集成能力，已经成为电动汽车、储能电站、无人装备和移动电子设备中的核心储能单元。然而，能量密度的提升也意味着更多化学能被压缩在有限空间内，一旦电芯遭受过充、过热、机械挤压、内部短路或老化缺陷等扰动，局部热量便可能迅速积累。在电芯内部，欧姆热、电化学副反应热、材料分解热和结构失效会相互耦合，形成“温度升高，到材料反应加速，直到大量热释放”的高危害过程。当内部产热超过散热能力时，电池将从可控升温转入不可逆的热失控状态，进而引发剧烈产气、泄压喷射、火焰燃烧、有毒烟气释放，甚至造成模组级传播和系统级灾害 （图1）。因此，热失控不只是单个电芯的温度异常问题，而是贯穿材料、电芯、模组、系统和外部环境的多尺度安全问题。要实现真正可靠的电池安全设计，必须从机理层面理解热失控如何被触发、如何在电池内部演化、如何向邻近电芯传播，以及如何最终转化为空间尺度上的火灾和燃烧危害。本文梳理热失控建模研究的演进过程：从能够快速预警的低维度热模型，扩展到可捕获空间传播的中维度模型，再到能描述火焰和气体扩散的高维度全尺度仿真。通过多层次模型及实验诊断的结合，可以促进研究人员在材料、电芯、模组和系统层面优化电池设计，提高储能系统 的安全和可靠性。
1. 锂电池热失控机制和阶段
热失控是指电池在受到机械、电或热滥用后，内部放热反应不断加速，从而产生正反馈并失去温度控制。这一过程可分为三个阶段：初始阶段、加速阶段和失控阶段。初始阶段通常由小电短路、微结构损伤或外部加热引发，自发热反应相对缓慢；当温度升高至电解液蒸发和隔膜熔融温度时，进入加速阶段，副反应放热和气体生成速率急剧提高；最终达到失控阶段时，正极分解释氧、电解液燃烧和气体喷射不可控，危险快速扩散 (图2)。热失控链式反应的根源在于化学反应动力学与热传递耦合。当反应释放的热量大于系统散热能力时，温度继续升高，进一步加速放热反应，从而形成反应–传热正反馈。早期低维模型常用阿伦尼乌斯方程描述各副反应，并通过热平衡方程预测触发时间和最大温度。虽然该模型可以快速评估安全阈值，但难以解释气体喷射、火焰传播等空间效应。
2. 主流的热失控模型
2.1. 低维度模型：快速预测与能量平衡
低维度热安全模型通常将电芯等效为一个或少数几个热节点，并基于能量守恒方程描述温度随时间的演化。在这类模型中，电池温升一般由内部产热与外部散热之间的竞争关系决定，其中内部产热可包括欧姆热、反应热、极化热及相变相关热效应，而外部散热则通常通过对流、传导或辐射边界项表示。在此基础上，热失控建模通常进一步引入阿伦尼乌斯公式，用于表征 SEI分解、负极与电解液反应、正极分解以及电解液分解等放热过程，从而预测热失控起始温度、升温速率、最高温度和放热强度等关键安全指标。
进一步地，部分低维度模型还会与电化学过程耦合，将电流、容量、SOC、内阻变化及副反应速率纳入统一的热安全分析框架。与高维多物理场模型相比，这类模型计算成本较低、参数数量相对有限，因而更适合嵌入电池管理系统或电池数字孪生系统中进行快速预警。当模型判断内部放热速率持续超过散热能力，或温升速率达到设定阈值时，系统即可提前识别热失控风险，并为降载、断电、冷却增强或隔离控制等安全措施提供依据。
2.2 中等维度模型：模组级热传播
当研究对象由单体电芯扩展到模组或电池包时，热失控建模的重点不再只是单个电芯内部温度的快速升高，而是需要进一步描述热量在相邻电芯、连接件、壳体和周围空气之间的传递过程。此时，中等维度模型通常采用热阻网络、等效热节点模型或有限元热传导模型，将每个电芯表示为一个或多个热节点，并通过轴向导热、径向导热、接触热阻、空气对流和表面辐射等热传递路径连接不同节点。通过这种方式，模型能够描述某一电芯发生热失控后，其释放的热量如何传递至邻近电芯，并进一步判断相邻电芯是否达到触发温度，从而预测热失控在模组内部的传播方向、触发时间和级联失效顺序。
在具体建模中，圆柱电池模组通常需要考虑电芯排布方式、串并联连接结构、导电排、支架、外壳和电芯间距等结构因素。例如，对于 5s4p 圆柱电池包，模组由五列串联电芯组成，每列包含四个并联电芯，外部通常设置塑料壳体，并通过导电条连接电芯正负极（图三）。在这类结构中，热量不仅会通过相邻电芯之间的空气间隙和接触区域传播，也会沿着导电条、支架和外壳产生额外的热传导通道。因此，若仅采用单体电芯模型，往往难以准确反映热失控在模组中的空间传播特征；而中等维度模型则可以在计算效率和结构分辨率之间取得较好的平衡。
这类模型的主要优势在于能够快速评估不同模组设计参数对热传播风险的影响。例如，电芯间距增大通常有助于降低相邻电芯受到的热通量；隔热材料可以延缓热量向周围电芯传递；相变材料可通过潜热吸收削弱局部温升；导热片或冷却板则可能改变热量扩散路径，使热量从高风险区域更快导出。通过对这些设计因素进行参数化分析，中等维度模型可用于比较不同排布方式、冷却结构、隔热方案和安全间距对热失控传播的抑制效果，为模组级热安全设计、电池管理系统预警阈值设定以及电池包防护结构优化提供依据。
2.3. 高维度模型：三维仿真与危险场
在真实热失控事故中，危害并不局限于电芯内部温升和材料分解，还会进一步表现为外部喷射、火焰扩展、高温烟气输运、有毒气体释放和辐射热冲击。因此，当研究目标从“判断电芯是否发生热失控”扩展到“评估事故后果和空间危害范围”时，需要引入三维 CFD、燃烧、辐射换热和多组分气体输运模型。电芯或模组内部热失控过程通常可被等效为随时间变化的热源、质量源和气体组分源，并作为边界条件输入到三维计算域中。
在高维模型中，喷放气体从泄压口释放后会形成高速高温射流，并在空气卷吸、湍流混合和燃烧反应的共同作用下发展为火焰和高温烟气区域（图四）。若喷放产物中含有 H₂、CO、CH₄、C₂H₄ 等可燃组分，还需要进一步描述其与空气混合后的点火、燃烧和热释放过程。与低维模型输出单一温度曲线不同，高维模型能够给出温度场、速度场、气体浓度场、热释放率密度、烟气分布和辐射热通量等时空分布结果，从而评估火焰高度、喷射方向、高温危险区和有毒烟气扩散范围。
不过，高维 CFD 模型通常计算成本较高，对网格分辨率、时间步长、物性参数、燃烧反应和喷放边界条件都有较强依赖，因此并不适合直接用于实时电池管理系统预警。更合理的方式是采用层次化建模策略：低维模型用于快速判断热失控触发风险，中等维度模型用于分析模组内热传播路径，高维 CFD 模型用于关键事故场景的精细化后果评估。进一步地，还可以利用降阶模型、自编码器或数据驱动代理模型学习 CFD 输出场，实现对温度场、烟气场和辐射热危害的快速预测，从而服务于电池安全设计、风险评估和数字孪生平台。
2.4 混合模型：平衡计算和高精度仿真的现实需求
混合模型通常将电池热失控过程划分为内部热演化和外部灾害传播两个层级。对于电芯或模组内部过程，可采用集中参数热模型或热阻网络模型描述电池温度随时间的变化，重点刻画内部放热反应、欧姆热、热传导、对流散热以及相邻电芯之间的热耦合。该部分模型计算效率较高，适合用于预测热失控触发时间、模组内热传播顺序以及不同冷却或隔热设计对传播风险的影响。当热失控发展到喷放、燃烧和烟气扩散阶段时，需要进一步引入三维 CFD 模型来描述外部空间中的火焰和烟雾热传递过程。在该层级中，集中参数热模型计算得到的温度、放热速率、喷放时间、气体释放速率和组分信息可作为三维模型的边界条件。随后，CFD 模型计算喷射气体在空气中的扩散、燃烧、浮力羽流、烟气输运、辐射换热和高温区域分布，从而评估火焰高度、热辐射强度、有毒气体扩散范围及周围结构的热暴露风险（图5）。
因此，混合模型的优势在于兼顾计算效率和空间分辨能力：集中参数热模型负责快速捕捉电池内部热传导与热失控触发机制，三维 CFD 模型负责解析外部火焰、烟雾和热辐射的空间传播特征。这种分层耦合方式比单一低维模型更适合事故后果分析，也比全三维电池内部—外部一体化模拟更容易实现，可用于电池模组设计、安全间距评估、泄压方向优化和热失控数字孪生建模。
3. 目前热失控模型的主要局限
随着电池热失控研究从单体电芯扩展到模组、电池包和大型储能系统，现有建模方法逐渐暴露出明显局限：低维度模型通常主要考虑电芯内部及相邻电芯之间的温度传导，能够快速预测热失控触发时间和模组内热传播趋势，但往往忽略了热失控后高温气体喷射、火焰燃烧、烟气输运和辐射换热在三维空间中对相邻电池的影响；而在真实事故中，相邻电芯受到的威胁不仅来自接触导热，还可能来自喷射火焰的直接冲刷、高温烟气包围、热辐射持续加热以及可燃气体聚集后的二次燃烧。高维度 CFD 和多物理场耦合模型虽然能够解析喷射速度场、火焰温度场、烟气浓度场、热释放率分布和辐射热通量，从而更真实地描述外部灾害在三维空间中的传播过程，但其通常依赖精细网格、小时间步长以及复杂的湍流、燃烧、辐射和多组分输运模型，计算成本较高，因此更适合用于事故机理分析、结构设计优化和防护方案评估，难以直接用于实时预测灾害蔓延概率及其影响范围。由此可见，未来热失控建模需要在低维模型的计算效率和高维 CFD 的空间分辨能力之间建立桥梁，利用大量经过校准的 CFD 仿真数据发展 AI4CFD 快速场预测方法，实现从电芯喷放边界条件到系统级火焰、烟气和热辐射场的快速映射，从而支撑储能系统热失控数字孪生中的实时灾害蔓延预测、相邻电池二次触发风险评估和安全决策。
其次，当前热失控模型的建立方式仍然缺乏统一规范。不同研究在电芯热源项、阿累尼乌斯 反应动力学、产气速率、喷射持续时间、喷射速度、气体组分、点火条件、燃烧模型、烟气模型和辐射模型等方面往往采用不同假设。这导致不同模型之间的结果难以直接比较，也使得模型很难从单体电芯尺度稳定扩展到模组、电池包和储能系统尺度。例如，在电芯内部模型中，热失控可能被简化为一个时间变化热源；在 CFD 模型中，喷放过程又可能被简化为固定质量流量边界或经验气体释放曲线。若两个模型之间缺少严格的物理接口，温度、产气量、喷放动量和组分信息就无法连续传递，最终会影响火焰高度、烟气扩散范围和辐射热通量的预测准确性。
第三，模型验证体系仍然不足。许多热失控模型只针对单一电芯、单一模组或特定实验条件进行校准，缺乏跨化学体系、跨 SOC、跨 SOH、跨模组结构和跨储能场景的系统验证。尤其是在储能系统尺度，真实实验成本高、危险性强、可重复性差，使得模型往往缺少充分的实测数据支撑。因此，当前热失控建模的核心问题不只是“模型是否足够复杂”，而是缺少一套经过实验校准、边界条件统一、尺度接口清晰、验证指标明确的建模与数据体系。没有这样的体系，高维模型虽然看似精细，但其预测结果仍可能受边界条件和参数假设强烈影响，工程可信度有限。
4. AI与CFD融合：预测热失控触发事件与燃烧灾害分析
未来研究可以基于大量经过实验校准的仿真数据，建立从电芯到模组、电池包，再到储能系统 的热失控数字孪生框架。在该框架中，单体电芯层面可采用集中参数热模型或电化学–热耦合模型，用于描述内部放热反应、温度上升、产气过程和热失控触发时间；模组层面可采用热阻网络或有限元热传播模型，用于描述相邻电芯之间的热耦合、级联触发顺序和隔热结构影响；系统层面则通过三维 CFD 模型解析喷射火焰、烟气输运、热辐射、高温区域和有毒气体扩散。关键在于，不同尺度之间需要建立统一的数据接口，使电芯模型输出的放热速率、产气速率、气体温度、喷射速度和气体组分能够作为 CFD 模型的物理边界条件，而不是依赖经验化假设。我们目前的研究重点聚焦于单个锂离子电芯的热失控行为建模（图6）。通过结合 CFD 高保真仿真、物理机制约束与 AI 预测模型，我们致力于构建面向电芯级热失控过程的数字孪生框架，从而实现对热失控触发、火焰演化和热危害扩散的快速、准确预测。后续我们将继续分享该方向的建模方法、数据生成流程与关键技术细节。
在这一框架下，AI4CFD 的作用并不是简单替代 CFD，而是利用人工智能学习高保真 CFD 数据中的时空演化规律，从而将昂贵的三维仿真结果转化为可快速调用的场预测模型。具体而言，可以先通过经过校准的 CFD 模拟构建覆盖不同电池化学体系、SOC、老化状态、模组排布、泄压方向、通风条件和舱体结构的仿真数据库。随后，利用自编码器、POD 降阶模型或动态模态分解对三维温度场、速度场、烟气浓度场和辐射热通量场进行压缩，提取主要空间模态和关键危险区域特征。在此基础上，可进一步采用 Fourier Neural Operator、DeepONet、图神经网络、U-Net 或时空 Transformer 学习从输入工况到三维流场输出之间的快速映射，实现对火焰形态、烟气扩散路径、高温危险区和热辐射分布的快速预测。为了避免 AI 模型成为纯数据拟合工具，AI4CFD 还需要引入物理约束和不确定性评估。例如，可以在训练过程中加入质量守恒、能量守恒、浮力羽流规律、边界条件一致性和辐射热传递约束，使模型输出不仅在数值上接近 CFD 结果，也符合基本物理规律。对于高风险但数据稀缺的工况，可以结合主动学习和多保真建模，让 AI 模型自动识别预测不确定性较大的区域，并优先补充新的 CFD 仿真或实验校准数据。这样，仿真数据库、AI 代理模型和高保真 CFD 之间可以形成闭环迭代，不断提高模型在复杂储能场景下的泛化能力和可信度。
最终，基于 AI4CFD 的热失控数字孪生可以实现从单体电芯触发预测到储能系统灾害后果评估的连续建模。低维热模型负责快速判断电芯内部是否进入热失控风险区；模组传播模型负责判断热量是否会传递到相邻电芯并造成级联失效；AI4CFD 模型则快速预测一旦发生喷放和燃烧，火焰、烟气、有毒气体和辐射热将在储能舱或开放空间中如何传播。该体系能够将传统 CFD 的高保真能力转化为面向工程应用的快速预测能力，为储能系统的安全间距设计、泄压方向优化、消防策略布置、传感器选址和应急处置建议提供量化依据。因此，未来热失控研究的重要方向不只是建立更复杂的物理模型，而是构建经过验证的多尺度仿真数据体系，并利用 AI4CFD 将这些数据转化为可部署、可更新、可解释的热失控数字孪生平台。
5. 结语
锂离子电池热失控并不是一个单一温度升高问题，而是涉及内部放热反应、喷射火焰、烟气扩散、辐射换热和空间热危害演化的复杂多物理过程。传统 CFD 模型能够提供高保真的三维流场、温度场和燃烧过程描述，但计算成本较高，难以直接服务于快速预测和大规模工况评估。AI 模型具有快速推理能力，但如果缺乏物理约束和高质量数据支撑，也容易出现泛化能力不足的问题。
因此，我们认为未来锂电池热失控预测的重要方向，是将 CFD 的高保真物理建模能力与 AI 的快速学习和推理能力结合起来。通过 CFD 生成可信的合成数据，再利用物理 AI 方法学习热失控过程中的关键时空演化规律，可以在保证物理一致性的基础上提升预测效率。我们目前的工作正聚焦于单个电芯热失控过程，探索如何构建面向电芯级热失控预测的数字孪生框架。后续也将继续分享更多关于 CFD 合成数据生成、物理 AI 建模和热失控快速预测的技术细节。
参考文献
[1] Schöberl, Jan, et al. “Thermal runaway propagation in automotive lithium-ion batteries with NMC-811 and LFP cathodes: Safety requirements and impact on system integration.” eTransportation 19 (2024): 100305.
[2] Liu, Kai, et al. “Materials for lithium-ion battery safety.” Science advances 4.6 (2018): eaas9820.
[3] Feng, Xuning, et al. “Mitigating thermal runaway of lithium-ion batteries.” Joule 4.4 (2020): 743-770.
[4] COMSOL. Simulating Thermal Propagation in a Battery Pack. COMSOL Blog (2024).
[5] Zhang, Pengfei, et al. “A 3D simulation model of thermal runaway in Li-ion batteries coupled particles ejection and jet flow.” Journal of Power Sources 580 (2023): 233357.
[6] Wang, Gongquan, et al. “A semi reduced-order model for multi-scale simulation of fire propagation of lithium-ion batteries in energy storage system.” Renewable and Sustainable Energy Reviews 186 (2023): 113672.