Electrolyte Property Predictor

A fast, deep-learning powered application predicting thermodynamic and transport properties of multi-component lithium-ion battery electrolytes.

Launch Simulator

Technical Overview: DNN-based Electrolyte Prediction

Electrolyte transport properties are critical inputs for physics-based battery models (e.g., DFN and SPMe). Traditionally, battery simulators rely on empirical parameterizations, which are constrained to specific binary compositions (like EC:EMC or EC:DEC) and specific temperatures.

This simulator utilizes a Deep Neural Network (DNN) trained on a high-throughput electrolyte simulation dataset. The training data consists of 194,310 grid points covering 1,905 unique solvent compositions (pure, binary, and ternary mixtures of EC, PC, DEC, DMC, and EMC in 5% increments) across combinations of salt concentration $c_e \in [0.01, 3.0]\text{ M}$ and temperature $T \in [253.15, 328.15]\text{ K}$.

Rather than executing computationally heavy Molecular Dynamics (MD) engines directly for every point, the dataset was generated using a hybrid workflow combining quantum chemical calculations (GFN2-xTB for partial charges and polarizability) and an empirical mass transport emulator parameterized on extensive experimental literature (Landesfeind & Gasteiger 2019 and Thorat et al. 2009), optimized with positivity-constrained 2D surface fitting. This hybrid approach ensures physical boundary rules are strictly preserved.

Electrochemical Key Properties

Density ($\rho$): Essential for battery weight estimation and volume change modeling.
Ionic Conductivity ($\sigma$): Directly determines the liquid-phase ohmic drop and high C-rate performance.
Li⁺ Diffusivity ($D_{\text{Li}}$): Dictates liquid-phase diffusion limitations and concentration polarization.
Transference Number ($t_+$): Describes the fraction of current carried by Li⁺ ions. The DNN dynamically predicts compositional and thermal variations.

Physics-Preserving Neural Network

To prevent overfitting and maintain physical consistency (e.g., correct activation energies), the neural network architecture has been regularized:

Activation Function: Tanh activation for smooth, continuously differentiable outputs.
Network Capacity: Streamlined to 16 nodes per hidden layer to ensure high generalization performance.
Regularization: Weight Decay (L2 regularization) of 1e-3 to prevent unphysical oscillations in temperature or concentration sweeps.

Model Performance & Dataset Baseline: The underlying dataset is quantitatively validated against literature benchmarks (e.g., Thorat 2009). While the simulated diffusion coefficients reflect standard underestimations typical of non-polarizable classical frameworks, the relative physical trends ($D_{\text{DMC}} > D_{\text{PC}} > D_{\text{EMC}} > D_{\text{DEC}}$) and the temperature-dependent activation energies ($E_a$) are fully captured and aligned with experimental baselines.

How to Use

The simulator provides a straightforward interface to explore how different electrolyte designs perform under varied conditions.

Operation Guide

Select Solvent Ratio: Adjust the sliders for EC, PC, DEC, DMC, and EMC (normalized automatically or manually).
Set Operating Conditions: Adjust Salt Concentration (0.01M to 3.0M) and Temperature (253.15K to 328.15K).
Analyze Outputs: Observe the predicted thermodynamic/transport properties in real-time, and check the concentration sweep chart to analyze the optimal concentration point.

References & Academic Citations

This simulator is inspired by open-source battery modeling frameworks and compares its results against standard parameter sets used in PyBaMM. We express our gratitude to the electrochemical community for publishing the baseline experimental models.

Academic Literature (Baseline Models)

Landesfeind 2019 (EC:EMC): Landesfeind et al. "Temperature Dependent Electrolyte Conductivity and Diffusivity of LiPF6 in EC:EMC." J. Electrochem. Soc. 166 (2019): A3079.
Ecker 2015 (EC:DMC): Ecker et al. "Parameterization of a physico-chemical model of a lithium-ion battery." J. Electrochem. Soc. 162 (2015): A1836.
Nyman 2008 (EC:DEC): Nyman et al. "Characterization of a LiPF6 in EC:DEC Electrolyte System." Electrochim. Acta 53 (2008): 6356.
Valøen 2005 (PC:DEC:DMC): Valøen et al. "Transport Properties of LiPF6 in PC:DEC:DMC." J. Electrochem. Soc. 152 (2005): A276.

技術解説：DNNによる電解液物性予測

電解液の輸送特性は、物理ベースの電池シミュレータ（DFNやSPMeモデルなど）において極めて重要な入力パラメータです。従来、電池シミュレータは特定の2成分系（EC:EMCやEC:DECなど）や特定の温度範囲にフィッティングされた経験式に依存していました。

本シミュレータは、ハイスループット電解液シミュレーションによって生成された膨大なデータを学習した ディープニューラルネットワーク (DNN) を用いています。教師データは、5種類（EC, PC, DEC, DMC, EMC）の中から1〜3種類を組み合わせた全1,905通りに対し、塩濃度 $c_e \in [0.01, 3.0]\text{ M}$ および温度 $T \in [253.15, 328.15]\text{ K}$ の格子点からなる総計194,310点の計算結果で構成されています。

このデータは、計算負荷の高い分子動力学（MD）を直接実行するのではなく、量子化学計算（GFN2-xTBによる部分電荷・分極率評価）と、実験文献データ（Landesfeind & Gasteiger 2019 および Thorat et al. 2009）を基に構築された経験的物質移動エミュレータを組み合わせた「ハイブリッドアプローチ」で生成されており、正値性制約付き2D表面フィッティングにより濃度極限での物理的一貫性が保証されています。

電気化学的キー特性

密度 ($\rho$): 電池パックの重量評価や、電解液の体積変化のモデリングに必要となります。
イオン導電率 ($\sigma$): 液相におけるオーム降下と高レート充放電時の性能を決定します。
Li⁺ 拡散係数 ($D_{\text{Li}}$): 液相での拡散限界や濃度分極を支配する重要なパラメータです。
輸率 ($t_+$): 電流のうちリチウムイオンが担う割合を示します。DNNは温度や組成に応じた連続的な変化をダイナミックに予測します。

物理的整合性を保つネットワーク設計

過学習を防ぎ、温度依存性の物理的な傾き（活性化エネルギー）を正確に再現するため、正則化されたネットワーク構造を採用しています：

活性化関数: 滑らかで連続微分可能な Tanh 活性化関数を採用。
層の幅: 隠れ層のノード数を16個に抑制し、高い汎化性能を保証。
正則化: L2正則化（Weight Decay = 1e-3）により、温度や濃度変化に対する不自然な振動を防止。

教師データの信頼性と妥当性: 教師データはThorat (2009) などの文献値に対し定量検証されています。非分極力場特有の拡散係数の過小評価（〜35-65%の低下）が見られますが、溶媒間の相対的な物性序列（$D_{\text{DMC}} > D_{\text{PC}} > D_{\text{EMC}} > D_{\text{DEC}}$）や温度依存性の活性化エネルギー（$E_a$）の傾向は極めて正確に再現されており、ニューラルネットワーク学習用のデータとして十分な信頼性を備えています。

シミュレータの使い方

シミュレータは、異なる電解液組成や動作条件が輸送特性に与える影響を、直感的に体験できるように設計されています。

操作ガイド

溶媒比率の調整: 各スライダー（EC, PC, DEC, DMC, EMC）を動かし、溶媒のブレンド比を設定します。
動作条件の設定: 塩濃度（0.01M〜3.0M）および温度（253.15K〜328.15K）を調整します。
結果の確認: 密度、導電率、拡散係数、輸率がリアルタイムでDNN予測され表示されます。濃度スウィープグラフを確認して、イオン導電率が最大化する最適な塩濃度点を分析できます。

引用文献と関連研究

本シミュレータは、オープンソースの電池モデリングフレームワークにインスパイアされており、予測結果は PyBaMM で採用されている標準的な文献パラメータと比較されています。電解液物理の基礎となる実験・理論モデルを提示された先駆的な研究者の方々に深く感謝いたします。

Cite This Simulator (BibTeX)

@misc{kusachi2025electrolyte,
  author = {Yuki Kusachi},
  title = {Electrolyte Simulator - DNN (Deep Neural Network Multi-Component Model)},
  year = {2025},
  url = {https://www.edandc.com/Electrolyte-Sim/},
  note = {YK Energy Device \& Consulting}
}