1 写在前面：为什么读这篇综述

在阅读了多篇关于热失控机理和单体建模的论文后，我发现一个明显的缺口：现有研究大多集中在单体热失控上，而热失控传播（TRP）这个系统级安全问题往往被当作"后续工作"一笔带过。然而在工程上，单体热失控触发模组级蔓延才是真正的灾难性场景——一次单体失效可能引发"多米诺效应"，在几分钟内摧毁整个电池包。这篇Jiang等人2026年发表在Energy Advances上的综述，是当前为数不多的系统梳理TRP全链条的文献：从微观机理到中观建模，再到宏观防护策略和设计优化，覆盖了研究、工程和标准制定三个维度的需求。

我的阅读目标很明确：第一，建立对TRP机理的系统认知（热传导、热对流、热辐射在模组中如何协同作用）；第二，掌握降阶模型、3D多物理场模型、数据驱动模型各自的适用边界；第三，梳理被动防护、主动控制和设计优化的工程实施路径；第四，识别当前研究的空白，为后续自己的研究工作提供方向参考。

这篇笔记按照论文本身的结构展开——机理 → 建模 → 缓解 → 优化 → 挑战，由于内容较多（原综述覆盖范围很广），我将笔记拆分为上下两篇。上篇聚焦"理解问题"——TRP怎么发生（机理）以及怎么建模；下篇聚焦"解决问题"——怎么防护、怎么设计优化以及未来方向。

值得注意的是，这篇综述的文献覆盖时间跨度很大——从2007年Spotnitz等的基础性TR建模工作，一直追踪到2025年的PIML前沿研究，引用了超过170篇文献。作者的筛选标准明确排除了只讨论单体TR的文献，专注于涉及TRP的论文，这也保证了综述内容的主体集中性。与其他综述相比（Feng等2018年侧重TR机理、Cherukat等2025年侧重建模方法分类），这篇综述的独特价值在于把建模、防护策略和设计优化放在同一个框架里讨论，形成了一条从"知其然（机理）→ 知其所以然（建模）→ 知其可为（缓解）→ 知其可为之道（优化）"的完整逻辑链。

---

2 论文基本信息

表 1 阅读论文基本信息

项目	内容
论文题目	A review on mitigating thermal runaway propagation in battery packs from mechanisms to modeling and design optimization
作者	Yiyue Jiang, Yuan Jiang, Pingfeng Wang
作者单位	Department of Industrial and Enterprise Systems Engineering, University of Illinois at Urbana-Champaign
期刊	Energy Advances (Royal Society of Chemistry)
发表年份	2026（5月在线发表）
DOI	10.1039/d5ya00351b
论文类型	综述论文
主要主题	电池组热失控传播的缓解策略——从机理到建模再到设计优化

这篇综述和我之前读的几篇有很好的互补关系。之前读的Feng等的综述侧重单体的TR机理分类，Cherukat等的综述侧重建模方法的0D/1D/P2D/3D框架，Garcia等的论文展示了一个具体模型的实验验证全流程。而这篇综述站的角度更高，回到"从单体到系统"这一核心命题，把TRP作为独立的研究对象来审视——这在目前文献中是相对稀缺的视角。作者团队来自UIUC工业与企业系统工程系，课题组在系统可靠性、多物理场设计优化方面有较深积累，这也解释了为什么文章在"设计优化"章节的论述格外有深度。

---

3 这篇论文主要讲了什么

3.1 综述主线

论文采用"递进式"结构（progressive manner），分为四大模块：第2章讨论TR和TRP的基本机理与影响因素，提供问题认知的基础；第3章回顾从降阶模型到3D多物理场再到数据驱动模型的建模方法；第4章梳理缓解措施和面向安全的设计优化；第5章分析现有挑战并展望未来方向。图1（原文Fig. 1）展示了这一逻辑线索：

图 1 论文整体结构（基于原文Fig. 1）

全文围绕一个核心命题展开：当单体热失控发生时，什么因素决定它能否传播到相邻电池？如何通过设计来阻断这种传播？这个命题不是纯学术问题——它直接关乎电动汽车和储能系统的安全认证标准（如GB 38031-2025要求"不起火、不爆炸"）。

3.2 核心观点

论文的核心判断可以概括为三条。第一，TRP不是单体TR的简单放大——更高SOC的单体TR可能更剧烈，但模组中50% SOC的中等电量反而更容易发生传播，因为释放的可燃气体更多（Zhong等、Karmakar等的研究）。这说明系统级行为不能从单体行为线性外推——这在建模时意味着使用单体TR的简化模型（如Ren等开发的、Coman等验证的）直接外推到传播预测是危险的。第二，建模的精度-效率权衡需要场景化决策——用于实时BMS预警的应该是降阶模型或数据驱动模型，它们可以实时运行但假设停留在零维或一维水平；用于关键部件设计验证的才需要3D多物理场模型。第三，TRP防护必须是多层次的——没有任何单一措施可以独立解决问题，被动的隔热、主动的冷却、智能的预警需要协同设计。这三点判断贯穿全文，使这篇综述不是简单的文献罗列，而是一个有明确立场的"有观点的综述"（opinionated review）。

---

4 热失控传播机理

4.1 单体热失控的基础机制

单体TR的触发条件可归为三类：机械滥用（碰撞、穿刺导致隔膜破裂和内部短路）、电气滥用（过充、过放、外部短路产生大量焦耳热）、热滥用（外部热源或环境高温直接引发）。三类滥用之间存在耦合关系——机械滥用往往先诱发内部短路（电气滥用），进而导致局部温度升高（热滥用），三者形成一条因果链。

TR发生后单体经历三个阶段：过热开始、热量积累与气体释放、燃烧与爆炸。从微观层面看，温度升高的过程中依次触发了五类放热反应，按起始温度从低到高排列：

表 2 单体热失控关键放热反应及其温度区间

反应类型	起始温度范围	说明
SEI膜分解	80–120°C	负极表面保护层破裂，暴露活性锂
负极-电解液反应	120–250°C	SEI破裂后负极直接接触电解液
正极材料分解	150–350°C	温度因材料而异：LMO约150°C，LCO约180°C，NMC约150–300°C，LFP约310°C
电解液分解	185–350°C以上	释放可燃气体
石墨负极分解	>250°C	结构破坏

这些反应的动力学可以用阿伦尼乌斯方程描述，论文给出了完整的反应方程组（公式(1)–(12)）。以SEI分解为例：

$$\frac{dx\_s}{dt}=-x\_s\cdot A\_s\cdot \exp \left(-\frac{E\_s}{k\_BT}\right)$$

其中 $x\_s$ 是SEI中锂离子的归一化含量，$A\_s$ 是指前因子，$E\_s$ 是活化能，$k\_B$ 是玻尔兹曼常数。类似地，负极反应、正极反应、电解液分解、电化学反应各有对应的动力学方程，总产热量为各反应产热之和：

$$\dot{q}\_gen=\dot{q}\_s+\dot{q}\_a+\dot{q}\_c+{\dot{q}}_e+{\dot{q}}_{ec}$$

各反应的产热速率通过反应焓与反应速率的乘积计算，例如 $\dot{q}\_s=-m\_sh\_s\frac{dx\_s}{dt}$。

4.2 传播的热物理机制

理解TRP的核心方程是基于热力学第一定律的电池能量平衡——电池内能增加率等于自产热加外部传热，即 $\Delta \dot{E}=\dot{Q}+\dot{F}\_ht$，然后展开为完整的偏微分方程（公式(14)）：

$$\rho \_bC\_p,b(T)\frac{\partial T}{\partial t}={\dot{q}}_{gen}+\nabla \cdot (k\nabla T)-\nabla \cdot (\rho \_f{C}_{p,f}\vec{v}T)+\sigma ϵ(T^4-T\_{sur}^4)+\dot{q}\_med$$

这个方程包含五个关键项：左边是电池温度的时间变化率（$\rho \_bC\_p,b$ 是体密度和比热容）；右边第一项 ${\dot{q}}_{gen}$ 是自产热（化学反应放热和内部短路焦耳热），第二项 $\nabla \cdot (k\nabla T)$ 是传导热，第三项是流体对流热，第四项 $\sigma ϵ(T^4-T_{sur}^4)$ 是辐射热（$\sigma$ 是Stefan-Boltzmann常数，$ϵ$ 是发射率），第五项 $\dot{q}\_med$ 是介质吸热——当介质为空气时该项为零，当有PCM等吸热材料时该项为负值。图2（基于原文Fig. 3）直观展示了这些因素的耦合关系。

图 2 热失控传播机理与影响因素示意图（基于原文Fig. 3）

三种传热模式在TRP中的相对重要性取决于电池包的几何和工况。在紧密排列的模组中，传导常常是主导路径——Gao等的实验表明，水平方向传播的初始触发主要来自大面积接触面的导热。Li等发现电池包的侧板显著改变了传热路径和能量流动分布，大量热量通过侧板流动反而延迟了TR触发时间和传播间隔。辐射在较大间隙和高温度下变得显著，Fang等的研究发现辐射是某些实验配置中的主要传播原因，Mishra等指出大间隙虽然抑制传播但降低能量密度，而间隙填充材料的高热导率会加速传播、低热导率则导致热量聚集。对流则在有通风流动或火焰喷出时发挥关键作用，Zhang等的实验表明当电池包与顶板间距减小时，火焰对流传热增强，传播速度加快。

论文特别强调了几个"反直觉"的发现。

1. 关于SOC的影响：100% SOC的单体TR虽然更剧烈，但能量释放太快，传递给相邻电池的净热量反而不足以触发传播；而50% SOC左右的模组因为释放更多可燃气体且放热持续时间更长，传播反而更容易发生。Chen等对比了30%和100% SOC的21700电池，确认100% SOC的单体TR更剧烈，但Wang等在模组实验中发现40%和60% SOC的电池包温升速率最高、传播最明显，而80%和100% SOC的反而没有传播。

2. 关于老化：循环老化的电池TR触发温度降低，Zhao等发现循环400次后SOH降至80%的电池TR触发温度低于新电池，但峰值温度也较低——但TRP传播速度与新电池没有显著差异，Wang等的实验测试了5组不同老化程度的电池，传播间隔没有明显趋势。Han等也发现老化模组的TR开始时间提前，但相邻电池间的传播间隔与SOH无关。

3. 关于正极材料：Schöberl等对比NCM811和LFP发现，NCM811的TR反应速度是LFP的9倍，传播间隔只有LFP的1/5。Li等测试了3种不同NCM正极的方形电池包，高镍正极表现出最快的温升和传播速度。Chen等还发现准固态电解质的TR起始温度高于液态电解质，侧面反应抑制能力更强。

4.2.1 介质吸热的影响

当电池间隙填充的不是空气而是PCM等吸热介质时，传热方程中的 $\dot{q}\_med$ 项发挥关键作用。PCM利用相变潜热吸收大量热量，充当热缓冲。Ma等通过建模确定了PCM阻断传播的临界热物理参数阈值，在参数空间中画出了"传播区"和"抑制区"的分界线。Luo等发现临界PCM厚度与电芯厚度之间存在非单调关系——这揭示了一个容易被忽视的细节：过厚的PCM反而可能因增加整体热容而导致更严重的热聚集。Menz等则发现，薄而精确放置的吸热屏障可以在远低于均匀填充材料的质量成本下完全阻断传播，这对工程上平衡安全性和能量密度很有启发。

---

5 建模方法

5.1 降阶模型

降阶模型（reduced-order model）的核心思想是用集总参数代替空间分布，用等效热阻代替详细的传热过程，从而大幅降低计算量。论文区分了三类降阶模型：热阻网络模型（TRNM）、直接传热模型和基于有限元降阶的插值模型。

热阻网络模型将每个电池视为具有统一温度的热节点，节点之间通过热阻连接。Feng等2015年提出的模型（公式(15)）是最具代表性的：

$$M\_iC\_p,i\frac{dT\_i}{dt}=Q\_r,i(t,T\_i,c\_i)+Q\_e,i(t,T\_i)-Q\_h,i(t,T)$$

其中 $Q\_r,i$ 是化学热释放，$Q\_e,i$ 是内部短路电热，$Q\_h,i$ 是向外散失的热量。该模型将传播的判定简化为一个阈值条件：当相邻电池前缘的估计温度 ${\hat{T}}_i^f$ 达到TR触发温度 $T_{TR}$ 时，认为该电池进入热失控。他们从这个简化模型中提炼出了四条设计启示：提高隔膜坍塌温度 $T\_TR$、降低短路电热量 $\Delta H\_e$、增强外部散热 $h\_dis$、在电池间增加热屏障。

He等2024年的模型则从热流角度出发（公式(20)）：

$$M\_iC\_p,bat\frac{dT}{dt}={\dot{Q}}_{source,i}+\sum {\dot{Q}}_{k\to i}$$

其中 ${\dot{Q}}_{j\to i}=\frac{T\_j-T\_i}{R_{ji}}$，对热阻 $R\_ji$ 的定义直接决定了传播预测的准确性——这也解释了为什么不同TRNM文献的预测结果差异很大，根本原因在于对 $R\_ji$ 的标定方法不同。Jiang等2020年还将Feng模型扩展到含PCM的模组，在热阻网络中增加了PCM相变潜热吸收项。

直接传热模型以Zeng等2023年的工作为代表，针对圆柱电池的特定几何形态，将固体部分和气体部分分别建模。相比TRNM，它对传热路径的描述更物理化，但仍保持了较低的计算量。

表 3 代表性降阶TRP模型对比（基于原文Table 1）

文献	控制方程	电池间耦合方式	电池类型
Feng et al. (2015)	$MC\_p\frac{dT}{dt}=Q\_r+Q\_e-Q\_h$	热阻网络	方形电池
Jiang et al. (2020)	$MC\_p\frac{dT}{dt}=Q\_r+Q\_e-Q\_h$	热阻网络（含PCM）	方形电池
He et al. (2024)	$M\_iC\_p,bat\frac{dT}{dt}={\dot{Q}}_{source,i}+\sum {\dot{Q}}_{k\to i}$	热阻网络	方形电池
Zeng et al. (2023)	$\sum m\_gc\_p\frac{dT}{dt}={\dot{Q}}_{IHG}+\sum {\dot{Q}}_{trans}+\sum \dot{Q}\_v-\dot{m}\_vh\_v-\dot{Q}\_l$	直接传热	圆柱电池
Li et al. (2025)	$\sum \_i=x,y,z\frac{\partial }{\partial i}(\lambda \_i\frac{\partial T}{\partial i})+q=\rho C\_p\frac{\partial T}{\partial t}$	FE插值降阶	方形电池

降阶模型的核心优势是计算效率——相比完整3D仿真可以快一个数量级。它们的最大局限在于两个强假设：每个节点内部温度均匀（忽略局部热点），以及等效热阻的定义在复杂几何下可能存在偏差。因此，降阶模型最适合用在大规模设计空间探索、参数研究和快速风险评估的场景，而不是用来分析局部精细化传热行为。需要注意的是，TRNM对圆柱形电池适配性不如方形电池，因为后者规则的箱形结构更容易定义清晰的导热路径。

5.2 3D多物理场模型

3D详细模型是目前TRP研究中最主流的仿真方法。它们的主要优势是能解析空间温度梯度、反应动力学分布、气体流动等精细化物理过程。论文追踪了从2007年Spotnitz等、Kim等的基础性工作，到Feng等2016年提出的第一个大尺寸方形电池模组多电池TRP传播模型、Larsson等的气凝胶热屏障效果模拟、再到近期的火焰和射流耦合模型（Kong等2022年、Minafra等2025年）的发展脉络。

在3D模型框架中，每个进入热失控的电池被处理为一个分布式热源，同时模拟传导、对流、辐射在模组结构中的传递过程。邻近电池接收总热量后，通过能量平衡方程（前述公式(14)）计算自身的温度演化。当触发条件满足时，该电池也进入TR，传播就此发生。尽管3D模型能解析空间分布，但它们仍然需要简化边界条件——暴露表面通常设为对流和辐射边界，接触面设热接触条件，冷却通道设入口/出口条件。3D模型的高保真度主要来自几何和空间温度场的解析，而非完全消除建模假设。

论文还专门介绍了等效电路-热耦合模型这一中间路线。Xia等2025年提出的模型中，电池电化学行为用等效电路模型（ECM）描述，避免了求解电化学PDEs（计算量最大的一步），热行为仍用3D有限元网格计算——在保持合理精度的同时，比全耦合电化学-热模型快得多。Uddin等在2016年就提出了类似思路：用ECM模拟电芯性能，计算容量衰减和内阻增长，生成的产热量作为3D有限元热模型的输入。这种"选择性降阶"的思路对工程应用很有启发性——在保证关键物理过程分辨的同时，牺牲掉工程上不敏感的细节。

表 4 3D建模中的典型假设与平衡

建模选择	精度提升	计算代价	适用场景
仅导热	低	低	早期快速评估
导热+辐射	中	中	大间隙模组
导热+辐射+对流	高	高	有通风或火焰场景
+电化学耦合（P2D）	很高	很高	电滥用→热滥用全过程
+等效电路替代P2D	中→高	中	工程设计与优化

论文明确指出，当局部机制直接决定工程结论时，高保真模型是必要的——例如解析严重空间不均匀性、分析过充/内短路/机械变形的触发路径、评估火焰/射流冲击下的局部传热。但在一般模组级分析中，等效电路-热模型或简化热滥用模型往往更具工程实用价值。

5.3 数据驱动与代理模型

数据驱动方法解决了3D模型"算不动"的问题。论文将这类方法分为三个递进层次：传统机器学习分类/回归、深度学习代理模型、物理信息机器学习（PIML）。

1. 传统ML方法主要用于TRP风险分类和故障定位。Jia等用约30万组仿真数据训练决策树和SVM，实现了四级风险等级识别（无风险、低风险、中风险、高风险），F1得分超过0.93，特征输入包括电池温度、SOC、电压等BMS常规信号。Daniels等用随机森林建立了柱状电池包内TR定位模型，先通过CFD仿真确定传感器最优布置位置（在排放通道附近布置温度传感器效果最好），再训练RF学习传感器读数到故障电芯位置的映射关系。这些传统ML方法的优势在于训练速度快、可解释性好（特征重要性可直接分析），但局限也很明显——它们只能做分类，无法预测温度随时间的变化轨迹。

2. 深度学习代理模型能捕捉更强的非线性。CNN通过将温度分布热力图当作"图像"来处理，提取空间特征（Goswami等用YOLO同时做TR阶段识别和热点定位）；GNN将电池作为节点、热耦合作为边，天然适合表征电池包的拓扑结构；LSTM/GRU则处理时间序列依赖。论文中Li等的CNN-LSTM框架值得关注：将8帧连续热力图输入，预测TRP进程，准确率96.7%。更复杂的是Ouyang等的多任务CNN-LSTM+模糊逻辑框架，能在SOC、充放电工况、触发位置变化的条件下做不确定性感知预测。

3. 物理信息ML即PIML，是论文着力强调的前沿方向。传统纯数据驱动方法的致命弱点在于"外插"——当工况超出训练数据范围时可能给出危险性的错误预测。PIML通过将物理约束（能量守恒、阿伦尼乌斯方程等）嵌入网络结构或损失函数来解决这一问题。Kim等将能量平衡PDE和阿伦尼乌斯动力学嵌入两个耦合的FCNN，即使在部分温度数据缺失的情况下，也能预测物种浓度和长期TR温度演化。Jiang等提出多保真度PI-CNN框架，通过PDE约束的UNet主干与监督投影头结合，将高保真数据需求降低到原来的五分之一，温度预测误差仅0.02°C。Jeong等将传热和化学降解知识嵌入DeepONet的损失函数，使其在30分钟以外的长期预测中显著优于纯数据驱动的对应方法。

表 5 各类模型的适用场景对比（基于原文Table 3）

模型类型	精度	计算速度	数据依赖	最适用场景
降阶模型	中	很快	低	设计空间探索、快速风险评估
3D多物理场	高	慢	中（参数标定）	关键部件验证、局部机理分析
传统ML代理	中	很快	高	风险分类、故障定位
DL代理模型	高	快	很高	实时预测、在线监测
PIML	高	中-快	中	小数据场景、需要外插的工程问题

---

6 上篇小结与下篇预告

上篇完成了对TRP问题"理解"层面的梳理。核心线索可以概括为一条因果关系链：单体TR的放热反应序列（阿伦尼乌斯动力学）→ 传导/对流/辐射三种传热模式 → 相邻电池接收净热量 → 越过阈值后触发传播。在这个因果链上，SOC、老化状态、正极材料和电池间距都是核心调控变量。

在建模方面，我们看到了一个从"简化→详细→智能"的演进谱系：TRNM和直接传热模型用最少计算量回答"会传播吗"，3D多物理场模型用最高精度回答"为什么会传播"，数据驱动和PIML模型用机器学习回答"传播有多快"和"提前多久预测"。三种方法各有边界，选模的原则应该从"能回答目标问题的最简单模型"出发。

在下篇中，我们将进入"解决问题"的层面——基于这些机理认知和建模工具，如何设计有效的防护策略？如何将安全目标嵌入系统级设计优化？以及当前面临哪些瓶颈和未来的突破口在哪里？

---

参考文献

[1] Jiang Y, Jiang Y, Wang P. A review on mitigating thermal runaway propagation in battery packs from mechanisms to modeling and design optimization. Energy Advances, 2026. DOI: 10.1039/d5ya00351b

[2] Feng X, Lu L, Ouyang M, et al. A 3D thermal runaway propagation model for a large format lithium ion battery module. Energy, 2016, 115: 194-208.

[3] Feng X, Ouyang M, Liu X, et al. Thermal runaway mechanism of lithium ion battery for electric vehicles: A review. Energy Storage Materials, 2018, 10: 246-267.

[4] Jia Y, Uddin M, Li Y, et al. Thermal runaway propagation behavior within 18,650 lithium-ion battery packs: A modeling study. Journal of Energy Storage, 2020, 31: 101668.

[5] Garcia A, Monsalve-Serrano J, Marco-Gimeno J, et al. Experimental validation of multi-physical model for thermal runaway propagation in NMC811 cylindrical cells. Applied Thermal Engineering, 2025, 283: 128934.