Modeling

Why is Parameter Identification for Battery Physical Models (SPM/DFN) So Difficult?

May 22, 2026 • By Yuki Kusachi

In battery R&D, simulation is becoming increasingly important. However, many engineers have experienced the frustration of trying to fit physical models like SPM (Single Particle Model) or DFN (Doyle-Fuller-Newman) to experimental data.

This article explains the fundamental reasons why parameter identification (fitting) for battery physical models is so difficult, and provides a practical approach to solving this issue.

⚡ Key Takeaways (TL;DR)

Non-Uniqueness & Cross-Correlation: Battery physical models contain 20+ intertwined parameters where vastly different combinations of kinetics, diffusion, and stoichiometry yield identical voltage curves (Garbage In, Garbage Out risk).
Structured Multi-Step Identification: Avoid all-at-once unconstrained fitting; systematically decouple parameters into physical stages: OCV/stoichiometry at low rates ($\text{C}/20$), kinetic overpotentials via GITT/EIS, and diffusion/transport limits at high C-rates.
Domain Physics Constraints: Optimization algorithms (Nelder-Mead / LM) must be bound by strict thermodynamic and material physics limits to ensure parameters remain valid across different temperatures and operating profiles.

1. The Problem of "Intertwined" Parameters

Battery physical models require a large number of parameters to faithfully reproduce internal electrochemical and physical phenomena. For example, even a basic SPM has the following parameters:

Geometric parameters: Electrode thickness, active material volume fraction, particle radius
Thermodynamic parameters: OCP (Open Circuit Potential) curve, initial stoichiometry
Kinetic parameters: Exchange current density ($j_0$), solid-phase diffusion coefficient ($D_s$)

The problem is that these parameters do not affect the voltage curve independently. For example, it is extremely difficult to distinguish just from the shape of the voltage curve whether the voltage drop at the end of discharge is due to "delayed solid-phase diffusion (drop in $D_s$)" or "simply running out of capacity (underestimation of active material amount)".

Garbage in, Garbage out
If you leave all parameters free and run an optimization algorithm (e.g., simple least squares) all at once, the algorithm will output a parameter set that matches the visual curve but is physically impossible (e.g., abnormally large diffusion coefficients). This cannot be used for predictions at different temperatures or rates.

2. The Fundamental Premise: Measure What Can Be Measured

The biggest secret to successful parameter identification is the premise: "always measure and input the physical quantities that can be measured." Values obtained from teardown analyses or design specs, such as electrode thickness, porosity, and active material weight, dramatically narrow down the parameter search space.

In battery models with a huge number of variables, using measured values brings ultimate "peace of mind." Even if there is slight uncertainty in the measurement accuracy, serving as a strong guideline for the optimization algorithm to "search for nearby reference values" is extremely helpful in ensuring the reliability of the physical model.

So, how much should we trust measured values?

This is a very vexing problem. A model is strictly an "idealized model" and does not perfectly represent every complex physical phenomenon in reality. For example, the designed thickness of an electrode does not necessarily match its "electrochemically active thickness" after repeated charging/discharging and expansion.

Therefore, instead of "fixing the measured value completely as the 100% correct answer," an indispensable sense of compromise and balance is required, such as "allowing parameter variations only within a narrow range around the measured value."

Limitations of Fitting Tools and Recommendation for Physical Analysis
Current fitting technologies, including the SPMe Curve Fitting Tool provided by us, operate by matching parameters so that the "battery's charge/discharge performance (voltage/current) matches."
Therefore, in a model with a massive number of parameters, a situation can occur where "even if physical parameters deviate from reality, the model superficially represents the battery performance (it appears to fit)." Thus, this alone does not complete a rigorous physical representation of the battery.

If you have the actual target battery on hand, we strongly recommend performing physical analyses such as CT scans, teardown investigations, and single-electrode electrochemical measurements to obtain reliable individual numerical values (ground truth). "We want to replace all real analysis with simulation" is the ideal and ultimate goal of us engineers, but the technological reality at this point is that they still complement each other.

3. The Approach of Decoupling Physical Phenomena

The most reliable approach to solving this multi-dimensional inverse problem is to **"intentionally create conditions where parameters have high sensitivity and identify them sequentially."** We call this the Multi-Step Identification Method.

Below is a summary of the fitting parameters that are the targets of optimization (adjustment) in each of the four fitting steps (STEP 1, STEP 2, STEP 2.5, and STEP 3):

STEP 1: OCV Fitting & Electrode Balance Adjustment

Using experimental data at a low C-rate (such as Quasi-OCV), this step optimizes the charge/discharge reference points and the capacity balance (N/P ratio) of the positive and negative electrodes.

Parameter Name	Physical Symbol	Code Variable Path	Initial Value / Bounds	Physical Meaning / Usage
Negative electrode initial lithium stoichiometry	$x_{100}$	`n.initialConc / n.maxConc`	Initial: parameter set value Bounds: `[0.6, 0.99]`	Lithium ratio (stoichiometric ratio) in the negative electrode active material at SOC 100% (fully charged state).
Positive electrode initial lithium stoichiometry	$y_{100}$	`p.initialConc / p.maxConc`	Initial: parameter set value Bounds: `[0.05, 0.5]`	Lithium ratio (stoichiometric ratio) in the positive electrode active material at SOC 100% (fully charged state).
Electrode width	$w$	`electrodeWidth`	Initial: parameter set value Bounds: `[0.5x, 2.0x of current width]`	Scaling factor for the electrode area. Used for absolute fitting of total capacity.
Positive electrode thickness	$L_p$	`p.thickness`	Initial: parameter set value Bounds: `[0.5x, 2.0x of current thickness]`	Thickness of the positive electrode. Used to indirectly tune the capacity ratio (N/P ratio) with the negative electrode.

NOTE

In STEP 1, in addition to the optimization parameters above, the following automatic synchronization and corrections are performed:

Nominal Capacity (nominalCapacity): Automatically synchronized with the maximum capacity of the experimental data.
Cutoff Voltages (lowerVoltageCutoff, upperVoltageCutoff): Automatically synchronized with the minimum/maximum voltage of the experimental data.
OCP Correction (Residual Correction): A process that reflects the voltage difference (residuals) between experimental data and simulation during the fitting cycles back into the base potential table (OCP table) to correct it.

STEP 2: Solid Diffusion & Reaction Kinetics Fitting

Fits the discharge curves at medium-to-low C-rates (voltage drop amount and initial voltage drop). The search is performed in $\log_{10}$ space.

Parameter Name	Physical Symbol	Code Variable Path	Initial Value / Bounds	Physical Meaning / Usage
Logarithm of negative electrode solid diffusion coefficient	$\log_{10}(D_{s,n})$	`n.diffusivity`	Initial: $\log_{10}$(current value) Bounds: `[-16, -11]` ($10^{-16} \sim 10^{-11} \text{ m}^2/\text{s}$)	Ease of diffusion of lithium atoms inside the negative electrode particles.
Logarithm of positive electrode solid diffusion coefficient	$\log_{10}(D_{s,p})$	`p.diffusivity`	Initial: $\log_{10}$(current value) Bounds: `[-17, -12]` ($10^{-17} \sim 10^{-12} \text{ m}^2/\text{s}$)	Ease of diffusion of lithium atoms inside the positive electrode particles.
Logarithm of negative electrode reference exchange current density	$\log_{10}(k_n)$	`n.exchangeCurrentDensityRef`	Initial: $\log_{10}$(current value) Bounds: `[-9, -3]`	Rate constant of charge transfer (lithium insertion/extraction reaction) at the negative electrode particle interface.
Logarithm of positive electrode reference exchange current density	$\log_{10}(k_p)$	`p.exchangeCurrentDensityRef`	Initial: $\log_{10}$(current value) Bounds: `[-9, -3]`	Rate constant of charge transfer reaction at the positive electrode particle interface.

STEP 2.5: Electrolyte Dynamics Fitting

Fits the transport resistance and tortuosity (difficulty of ion movement) in the liquid phase (electrolyte), which have a significant impact during high C-rate discharge. Multipliers are optimized in $\log_{10}$ space, and the Bruggeman exponent is optimized in linear space.

Parameter Name	Physical Symbol	Code Variable Path	Initial Value / Bounds	Physical Meaning / Usage
Logarithm of electrolyte diffusion coefficient multiplier	$\log_{10}(D_e, \text{mult})$	`e.diffusivityMultiplier`	Initial: 0 ($\log_{10}(1.0)$) Bounds: `[-1.5, 1.5]` ($10^{-1.5} \sim 10^{1.5}$ times)	Scaling factor for the lithium-ion diffusion coefficient in the liquid phase (adjustment of liquid phase diffusion resistance).
Logarithm of electrolyte ionic conductivity multiplier	$\log_{10}(\kappa_e, \text{mult})$	`e.conductivityMultiplier`	Initial: 0 ($\log_{10}(1.0)$) Bounds: `[-1.5, 1.5]` ($10^{-1.5} \sim 10^{1.5}$ times)	Scaling factor for the electrolyte ionic conductivity (adjustment of liquid phase ohmic resistance).
Separator Bruggeman exponent	$p_s$	`s.bruggeman`	Initial: parameter set value Bounds: `[1.0, 4.5]`	Exponent representing the complexity of the ion path (tortuosity) in the separator porous structure.
Negative electrode Bruggeman exponent	$p_n$	`n.bruggeman`	Initial: parameter set value Bounds: `[1.0, 4.5]`	Exponent representing the complexity of the ion path (tortuosity) in the negative porous electrode.
Positive electrode Bruggeman exponent	$p_p$	`p.bruggeman`	Initial: parameter set value Bounds: `[1.0, 4.5]`	Exponent representing the complexity of the ion path (tortuosity) in the positive porous electrode.

STEP 3: Temperature Dependency (Activation Energy) Fitting

Optimizes temperature response characteristics based on the Arrhenius relation using experimental data under temperature environments (e.g., 0°C, 45°C) other than the reference temperature (usually 25°C). To maintain physical consistency and compress the search space, optimization is performed in linear space by symmetrizing parameters into three groups.

Grouped Parameter Name	Applied Code Variable	Initial Value / Bounds	Physical Meaning / Usage
Solid diffusion activation energy ($E_{a, D_s}$)	`n.diffusivityActivationEnergy` `p.diffusivityActivationEnergy` (applied as a common value for both positive and negative electrodes)	Initial: current value (35000 if not set) Bounds: `[20000, 50000]` ($\text{J/mol}$)	Controls the temperature dependency of the solid diffusion coefficient ($D_s$). Affects the discharge end capacity decrease at low temperatures.
Reaction kinetics activation energy ($E_{a, k}$)	`n.activationEnergy` `p.activationEnergy` (applied as a common value for both positive and negative electrodes)	Initial: current value (35000 if not set) Bounds: `[20000, 58000]` ($\text{J/mol}$)	Controls the temperature dependency of the charge transfer reaction (exchange current density $k$). Affects the voltage drop at low temperatures.
Electrolyte transport activation energy ($E_{a, e}$)	`e.diffusivityActivationEnergy` `e.conductivityActivationEnergy` (applied as a common value for diffusion/conductivity)	Initial: current value (17107 if not set) Bounds: `[10000, 30000]` ($\text{J/mol}$)	Controls the temperature dependency of the lithium-ion diffusion coefficient and ionic conductivity in the electrolyte.

NOTE

Note that contactResistance, which is a fitting parameter for contact resistance (and its activation energy contactResistanceActivationEnergy), is forced to 0 inside each fitter and is excluded from the optimization targets (search variables) of the current fitting steps.

4. Accelerating R&D and Engineering Intuition through Tools

Executing such multi-step fitting manually by writing scripts is highly labor-intensive and time-consuming. There is also a constant risk of falling into local minima due to poor initial value settings.

In battery R&D, a researcher's primary job is not "writing simulator code," but "analyzing battery degradation factors or evaluating the potential of next-generation materials from the extracted parameters."

Furthermore, there is another incredibly important use case for simulators: "Cultivating engineering intuition." What impact might a casual change in battery design parameters, like electrode thickness or porosity, have on the final rate characteristics and performance? By intentionally manipulating parameters using the tool, you can gain a deep understanding and intuition for design. We highly encourage you to actively use the simulator as a "design playground" in this way.

5. From Browser Tools to Full-Fledged Simulators

The "SPMe Curve Fitting Tool" we provide adopts an architecture where all calculations are completed on the browser (client-side) and absolutely no data is uploaded to the server, ensuring that it can be used with peace of mind even in R&D environments handling highly confidential, unreleased battery data. However, in exchange for this strict confidentiality, computational resources (model scale) are significantly limited, currently remaining at a 1D SPMe model.

If you gain an interest in "battery modeling" through our web tool and wish to explore deeper, we recommend introducing a commercial simulator as the next step. While there are several options, the one we recommend most highly is COMSOL Multiphysics.

Why recommend COMSOL? The reasons are diverse, but the major benefits are as follows:

No Coding Required: Intuitive GUI-based operation; no mathematical programming needed.
Abundant Presets: Extensive presets for battery material parameters ensure a smooth startup.
Overwhelming Scalability: Easy to expand from a 1D model to 3D structural simulations, thermal simulations, and even combinations with Lumped models.

Once you overcome the initial hurdle of the "massive number of parameters" unique to physics-based simulations, you will be able to visualize and peek into what is actually happening inside the battery during charging and discharging. We assure you that this will be an incredibly exciting and fun experience for any engineer.

Advanced Simulation and Parameter Identification in Your Browser

YK Energy Device & Consulting provides the "SPMe Curve Fitting Tool," a web application that automates complex multi-step identification and can be run intuitively in your browser. Not only does it provide automatic identification via optimization algorithms, but it can also be used as a simulator to intuitively verify the sensitivity of design parameters and cultivate your engineering intuition.

View Fitting Tool Details →

Modeling

なぜ電池の物理モデル（SPM/DFN）のパラメータ同定は難しいのか？

May 18, 2026 • By Yuki Kusachi

リチウムイオン電池の研究開発において、シミュレーションの重要性は年々高まっています。しかし、SPM（Single Particle Model）やDFN（Doyle-Fuller-Newman）などの物理モデルを実測データに合わせ込もうとして、挫折した経験を持つエンジニアは少なくありません。

本記事では、なぜ電池物理モデルのパラメータ同定（フィッティング）がこれほどまでに難しいのか、その根本的な理由と、解決に向けた実践的なアプローチを解説します。

⚡ 要点まとめ（Key Takeaways）

パラメータの強い相関と多峰性の罠: 電池物理モデル（SPM/DFN）は20以上の物理パラメータが相互に連成しており、全く異なるパラメータセットでも同じ充放電カーブを再現できてしまう「解の非一意性（多峰性）」が存在します。
マルチステップ同定アプローチ: 全パラメータの一括同時最適化を避け、微小電流（C/20）でのOCV・ストイキオメトリ同定、GITT/EISによる反応抵抗同定、高Cレートでの拡散限界同定へと段階的に分離することが不可欠です。
物理的妥当性と制約の担保: 単なる数値カーブフィッティングではなく、電気化学の熱力学的・物性的制約範囲を設定した上で最適化（Nelder-Mead法・LM法）を行う重要性を解説。

1. 多数のパラメータが「複雑に絡み合う」問題

電池の物理モデルは、内部の電気化学的・物理的現象を忠実に再現するため、非常に多くのパラメータを必要とします。例えば、基本的なSPMであっても以下のようなパラメータが存在します。

幾何学的パラメータ: 電極厚み、活物質体積率、粒子半径
熱力学パラメータ: OCP（開回路電位）曲線、初期ストイキオメトリ
速度論的パラメータ: 交換電流密度（$j_0$）、固体内拡散係数（$D_s$）

問題は、これらのパラメータが独立して電圧カーブに影響を与えるわけではない点です。例えば、放電末期の電圧降下は「固体内拡散の遅れ（$D_s$の低下）」なのか、それとも「単なる容量切れ（活物質量の過小評価）」なのか、電圧カーブの形状だけから見分けるのは至難の業です。

Garbage in, Garbage out（ゴミを入れたらゴミが出てくる）
全てのパラメータを一度にフリーにして最適化アルゴリズム（例えば単純な最小二乗法）にかけると、カーブの見た目は一致しても、物理的にはあり得ない（例えば拡散係数が異常に大きい）パラメータセットが出力されてしまいます。これでは、異なる温度やレートでの予測には全く使えません。

2. 大前提：計測できるものは実測する

パラメータ同定を成功させるための最大の秘訣、それは「大前提として、計測できる物理量は必ず計測して入力する」ことです。電極厚み、空隙率、活物質の重量など、分解調査や設計スペックから得られる値は、パラメータ探索空間を劇的に狭めてくれます。

変数が非常に多い電池モデルにおいて、実測値を使うことは何よりもの「安心」をもたらします。たとえその計測精度に若干の不安があったとしても、最適化アルゴリズムが「参考値として近い値を探索する」ための強固なガイドラインになることは、物理モデルの信頼性を担保する上で非常に助けになります。

では、計測した値をどこまで信じるべきか？

これは非常に悩ましい問題です。モデルはあくまで「理想化されたモデル」であり、現実のすべての複雑な物理現象を完全に表現しているわけではありません。例えば、電極の設計上の厚みと、充放電・膨張を繰り返したあとの「電気化学的に有効な厚み」は必ずしも一致しません。

そのため、「実測値を100%正解として完全固定する」のではなく、「実測値周辺の狭い範囲でのみパラメータの変動を許容する」といった、どこかでの妥協・バランス感覚が必要不可欠になります。

フィッティングツールの限界と物理解析の推奨
弊社が提供するSPMe Curve Fitting Toolを含め、現在のフィッティング技術は「電池の充放電パフォーマンス（電圧・電流）が合うように」パラメータを合わせ込む操作をしています。
そのため、パラメータが非常に多いモデルでは、「物理パラメータが現実からズレていても、一面的には電池の性能を表現できてしまう（見かけ上フィットしてしまう）」という事態が起こり得ます。したがって、これだけで厳密な電池の物理表現が完成するわけではありません。

もし手元に対象となる実電池があるのであれば、CTスキャン、解体調査、単極での電気化学計測などの物理的な解析を必ず行い、個別の確かな数値（真値）を得ることを強くお勧めします。「すべてのリアルな解析をシミュレーションで代替したい」というのが我々エンジニアの理想であり究極の目標ですが、現時点の技術的現実としては、両者はまだ相互に補完し合う関係にあるのが実情です。

3. 物理現象の分離（Decoupling）というアプローチ

この多次元の逆問題を解くための最も確実なアプローチは、**「パラメータの感度が高い条件を意図的に作り出し、段階的に同定していくこと」**です。これを我々はマルチステップ同定法と呼んでいます。

フィッティングの各ステップ（STEP 1、STEP 2、STEP 2.5、STEP 3）において、最適化（調整）の対象となっているフィッティングパラメータを以下にまとめました。

STEP 1: OCVフィッティング・電極バランス調整

低Cレート（Quasi-OCVなど）の実験データを用い、充放電の基準点や正負極の容量バランス（N/P比）を最適化します。

パラメータ名	物理記号	コード内の変数パス	初期値の設定方法 / 探索範囲 (Bounds)	物理的な意味・用途
負極初期リチウム組成比	$x_{100}$	`n.initialConc / n.maxConc`	初期値: パラメータ設定値範囲: `[0.6, 0.99]`	SOC 100%（満充電状態）における負極活性物質中のリチウム比率（化学量論比）。
正極初期リチウム組成比	$y_{100}$	`p.initialConc / p.maxConc`	初期値: パラメータ設定値範囲: `[0.05, 0.5]`	SOC 100%（満充電状態）における正極活性物質中のリチウム比率（化学量論比）。
電極幅	$w$	`electrodeWidth`	初期値: パラメータ設定値範囲: `[現在の幅の0.5倍, 2.0倍]`	電極面積のスケーリング因子。総容量の絶対的なフィッティングに使用。
正極厚み	$L_p$	`p.thickness`	初期値: パラメータ設定値範囲: `[現在の厚みの0.5倍, 2.0倍]`	正極電極の厚み。負極との容量比（N/P比）を間接的にチューニングするために使用。

NOTE

STEP 1では上記の最適化パラメータに加え、以下の自動同期および補正が行われます：

公称容量 (nominalCapacity): 実験データの最大容量に自動同期。
カットオフ電圧 (lowerVoltageCutoff, upperVoltageCutoff): 実験データの最小/最大電圧に自動同期。
OCP補正 (残差補正): フィッティングのサイクル間で、実験データとシミュレーションの電圧差（残差）をベースとなる電位テーブル（OCPテーブル）に反映させて補正する処理。

STEP 2: 固体内拡散・反応キネティクスフィッティング

中〜低Cレートでの放電曲線（電圧の低下量や放電初期の電圧ドロップ）をフィッティングします。探索は $\log_{10}$ 空間で行われます。

パラメータ名	物理記号	コード内の変数パス	初期値の設定方法 / 探索範囲 (Bounds)	物理的な意味・用途
負極固体内拡散係数の対数	$\log_{10}(D_{s,n})$	`n.diffusivity`	初期値: $\log_{10}$(現在の値) 範囲: `[-16, -11]` ($10^{-16} \sim 10^{-11} \text{ m}^2/\text{s}$)	負極の粒子内部におけるリチウム原子の拡散のしやすさ。
正極固体内拡散係数の対数	$\log_{10}(D_{s,p})$	`p.diffusivity`	初期値: $\log_{10}$(current value) 範囲: `[-17, -12]` ($10^{-17} \sim 10^{-12} \text{ m}^2/\text{s}$)	正極の粒子内部におけるリチウム原子の拡散のしやすさ。
負極基準交換電流密度の対数	$\log_{10}(k_n)$	`n.exchangeCurrentDensityRef`	初期値: $\log_{10}$(現在の値) 範囲: `[-9, -3]`	負極粒子界面での電荷移動（リチウム挿入/脱離反応）の速度定数。
正極基準交換電流密度の対数	$\log_{10}(k_p)$	`p.exchangeCurrentDensityRef`	初期値: $\log_{10}$(現在の値) 範囲: `[-9, -3]`	正極粒子界面での電荷移動反応の速度定数。

STEP 2.5: 電解質ダイナミクスフィッティング

高Cレート放電時に影響が大きくなる、液相（電解液）の輸送抵抗や曲路率（イオンの動きにくさ）をフィッティングします。マルチプライヤーは $\log_{10}$ 空間、Bruggeman指数は線形空間で最適化されます。

パラメータ名	物理記号	コード内の変数パス	初期値の設定方法 / 探索範囲 (Bounds)	物理的な意味・用途
電解質拡散係数マルチプライヤーの対数	$\log_{10}(D_e, \text{mult})$	`e.diffusivityMultiplier`	初期値: 0 ($\log_{10}(1.0)$) 範囲: `[-1.5, 1.5]` ($10^{-1.5} \sim 10^{1.5}$ 倍)	液相内のリチウムイオン拡散係数のスケーリング係数（液相拡散抵抗の調整）。
電解質イオン導電率マルチプライヤーの対数	$\log_{10}(\kappa_e, \text{mult})$	`e.conductivityMultiplier`	初期値: 0 ($\log_{10}(1.0)$) 範囲: `[-1.5, 1.5]` ($10^{-1.5} \sim 10^{1.5}$ 倍)	電解液のイオン導電率のスケーリング係数（液相オーム抵抗の調整）。
セパレータBruggeman指数	$p_s$	`s.bruggeman`	初期値: パラメータ設定値範囲: `[1.0, 4.5]`	セパレータ多孔質構造内でのイオンパスの複雑さ（屈曲率）を表す指数。
負極Bruggeman指数	$p_n$	`n.bruggeman`	初期値: パラメータ設定値範囲: `[1.0, 4.5]`	負極多孔質電極内でのイオンパスの複雑さ（屈曲率）を表す指数。
正極Bruggeman指数	$p_p$	`p.bruggeman`	初期値: パラメータ設定値範囲: `[1.0, 4.5]`	正極多孔質電極内でのイオンパスの複雑さ（屈曲率）を表す指数。

STEP 3: 温度依存性（活性化エネルギー）フィッティング

基準温度（通常25°C）以外の温度環境（例: 0°C, 45°C）での実験データを用い、アレニウス関係式に基づく温度応答特性を最適化します。物理の一貫性を維持し探索空間を圧縮するため、パラメータを3つのグループに対称化して最適化（線形空間）を行います。

グループ化パラメータ名	適用されるコード変数	初期値の設定方法 / 探索範囲 (Bounds)	物理的な意味・用途
固体内拡散活性化エネルギー ($E_{a, D_s}$)	`n.diffusivityActivationEnergy` `p.diffusivityActivationEnergy` (正負極で共通値として適用)	初期値: 現在の値（未設定時は 35000）範囲: `[20000, 50000]` ($\text{J/mol}$)	固体内拡散係数（$D_s$）の温度依存性を制御。低温時の放電終期容量低下などに影響。
反応キネティクス活性化エネルギー ($E_{a, k}$)	`n.activationEnergy` `p.activationEnergy` (正負極で共通値として適用)	初期値: 現在の値（未設定時は 35000）範囲: `[20000, 58000]` ($\text{J/mol}$)	電荷移動反応（交換電流密度 $k$）の温度依存性を制御。低温時の電圧ドロップなどに影響。
電解質輸送活性化エネルギー ($E_{a, e}$)	`e.diffusivityActivationEnergy` `e.conductivityActivationEnergy` (拡散/導電率で共通値として適用)	初期値: 現在の値（未設定時は 17107）範囲: `[10000, 30000]` ($\text{J/mol}$)	電解液中のリチウムイオン拡散係数および導電率の温度依存性を制御。

NOTE

なお、接触抵抗のフィッティングパラメータである contactResistance（およびその活性化エネルギー contactResistanceActivationEnergy）については、各フィッター内部で 0 に強制固定されており、現行のフィッティングステップの最適化対象（探索変数）からは除外されています。

4. ツール化によるR&Dの加速とエンジニアの勘所

このような多段階のフィッティングを手動でスクリプトを書いて実行するのは、非常に手間と時間がかかります。初期値の設定ミスで局所解に陥るリスクも常に伴います。

電池開発の現場において、研究者の本来の仕事は「シミュレータのコードを書くこと」ではなく、「出力されたパラメータから電池の劣化要因を分析したり、次世代素材のポテンシャルを評価すること」です。

さらに、シミュレータのもう一つの非常に重要な使い道があります。それは「エンジニアの直感（勘所）を養うこと」です。何気なく変更した電極の厚みや空隙率といった電池設計パラメータが、最終的なレート特性やパフォーマンスにどのような影響を与える可能性があるのか。ツールを使ってパラメータを意図的に動かしてみることで、設計に対する深い理解と直感を得ることができます。ぜひ、そのような「設計の遊び場」としてもシミュレータを積極的に活用してみてください。

5. ブラウザツールから、本格的なシミュレータへ

弊社が提供している「SPMe Curve Fitting Tool」は、機密性の高い未発表の電池データを扱うR&Dの現場でも安心して使っていただけるよう、すべての計算をブラウザ（クライアント側）で完結させ、サーバーへデータを一切アップロードしないアーキテクチャを採用しています。しかし、その厳格な秘匿性と引き換えに、計算リソース（モデルの規模）は大きく制限されており、現状では1次元のSPMeモデルに留まっています。

もし弊社のWebツールを通じて「電池のモデリング」に興味を持ち、より深く使ってみたいと思うエンジニアの方には、次のステップとして商用シミュレータの導入をお勧めします。いくつか選択肢はありますが、私たちが最も推奨するのはCOMSOL Multiphysicsです。

なぜCOMSOLを推奨するのか。その理由は多岐にわたりますが、特に大きなメリットは以下の通りです。

コーディング知識が不要: GUIベースで直感的に操作でき、数式のプログラミングが不要です。
豊富なプリセット: 電池の材料パラメータプリセットを豊富に持っており、立ち上げがスムーズです。
圧倒的な拡張性: 1次元モデルからスタートし、3次元シミュレーション、熱シミュレーション、さらにはLumped model（集中定数モデル）との組み合わせへと容易に拡張できます。

物理ベースシミュレーション特有の「膨大なパラメータ数」という最初の壁さえ乗り越えれば、充電・放電中に電池の中で実際に何が起きているのかを可視化し、覗き見ることができるようになります。それはエンジニアにとって、とてもエキサイティングで楽しい体験になること請け合いです。

高度なシミュレーションとパラメータ同定をブラウザ上で

YK Energy Device & Consultingでは、複雑なマルチステップ同定を自動化し、ブラウザ上で直感的に実行できるWebアプリケーション「SPMe Curve Fitting Tool」を提供しています。最適化アルゴリズムによる自動同定はもちろん、設計パラメータの感度を直感的に確認して勘所を養うためのシミュレータとしても活用できます。

Fitting Tool の詳細を見る →

Cite This Article (BibTeX)

@article{kusachi2025parameterfitting,
  author = {Yuki Kusachi},
  title = {Why is Parameter Identification for Battery Physical Models (SPM/DFN) So Difficult?},
  journal = {YK Energy Device \& Consulting Technical Insights},
  year = {2025},
  url = {https://www.edandc.com/articles/parameter-fitting-challenges.html}
}