ISSA-CNN-SE-BiLSTM, ultrasonik batarya özelliklerinden sağlık durumu (state of health, SOH) tahmini yapmak için yerel özellik çıkarımı, kanal-dikkat mekanizması, çift yönlü zamansal modelleme ve küresel hiperparametre optimizasyonunu birleştiren veri güdümlü bir öğrenme çerçevesidir. Çalışmada 50 Ah prizmatik lityum-iyon hücre 25°C'de çevrimsel olarak yaşlandırılmış, 120 kHz PZT sensörlerle ultrasonik guided-wave yanıtları ölçülmüş ve Initial amplitude, Maximum amplitude, Minimum amplitude ile Initial time of flight (TOF) özellikleri çıkarılmıştır. Pearson korelasyonuna göre Initial amplitude, Initial TOF ve Maximum amplitude nihai model girdileri olarak seçilmiştir.

Üç özelliği birlikte kullanan Feature Set C altında önerilen ISSA-CNN-SE-BiLSTM modeli RMSE 0,0180%, MAE 0,0148% ve \(R^2=0,9987\) değerlerine ulaşmıştır. Aynı özellik setinde ISSA olmadan kullanılan CNN-SE-BiLSTM'nin RMSE'si 0,0825% olduğundan ISSA optimizasyonu RMSE'yi %78,18 azaltmıştır. Model yalnız %30 eğitim verisi kullanıldığında da RMSE 0,0461% ve \(R^2=0,9949\) üretmiştir.

SHAP analizi model kararının en büyük bölümünün Initial amplitude (%50,2) ve Initial TOF (%39,1) tarafından açıklandığını; Maximum amplitude'ın (%10,7) tamamlayıcı rol oynadığını göstermiştir. Bununla birlikte çalışma kontrollü laboratuvar koşullarında tek bir 50 Ah hücre üzerinden yürütülmüştür. Farklı sıcaklıklar, kullanım profilleri, hücreler ve batarya tipleri üzerinde bağımsız doğrulama yapılmadığından raporlanan çok düşük hata oranları doğrudan gerçek araç veya enerji depolama BMS performansı olarak genellenmemelidir.

Araştırma problemi

Lityum-iyon bataryaların sağlık durumu, yaşlanma derecesini ve kullanılabilir kapasitedeki kaybı izlemek için kullanılan temel batarya yönetim değişkenlerinden biridir. Batarya yaşlandıkça kapasite azalması ve iç direnç artışı gibi elektriksel değişimler meydana gelir; ancak yaşlanma aynı zamanda elektrot yapısı, ara yüzeyler, malzeme mekanik özellikleri ve hücre içi temas durumlarında değişiklikler oluşturur.

Gerilim, akım, sıcaklık ve kapasite gibi geleneksel elektriksel büyüklükler dışarıdan ölçülebilir ve BMS açısından uygundur; fakat hücre içindeki yapısal değişimleri doğrudan algılamaz. Kaynak çalışmanın temel araştırma sorusu bu nedenle, batarya iç yapısındaki yaşlanmaya duyarlı ultrasonik yayılım bilgisinin SOH tahminine ek bir gözlem boyutu sağlayıp sağlayamayacağıdır.

Ultrasonik Özellikler Batarya SOH'sini Neden Gösterebilir?

Ultrasonik guided-wave sinyallerinin yayılım süresi ve genliği, bataryanın elektrot, ayırıcı, elektrolit, ara yüzey ve mekanik temas koşullarından etkilendiği için yaşlanmayla değişebilir; bu çalışmada çevrim ilerledikçe TOF ve signal-amplitude örüntülerinin kayması, ultrasonik özelliklerin elektriksel olmayan yaşlanma bilgisini taşıyabildiğini göstermiştir.

Ultrasonik ölçüm yaklaşımı

Çalışma pulse-echo veya karşılıklı yüzeylerden through-thickness transmission yerine, batarya yüzeyine bağlanan PZT verici ve alıcılar arasında yayılan ultrasonik guided-wave yaklaşımını kullanmıştır. Guided-wave sinyali hücre kasası ve iç katmanlı yapı boyunca ilerlerken yayılım gecikmesi, enerji sönümü ve dalga biçimi değişikliklerini birlikte taşır.

Deneyde kullanılan batarya

Ultrasonik test platformu

Deney sistemi 50 Ah batarya, iki PZT dönüştürücü, Battery Test System, Signal Generator, Power Amplifier, Oscilloscope, Host Computer ve Thermal Chamber bileşenlerinden oluşmuştur. PZT dönüştürücülerin rezonans frekansı 120 kHz'dir.

Signal Generator tarafından oluşturulan uyarım Power Amplifier ile güçlendirilmiş ve verici PZT'ye uygulanmıştır. Piezoelektrik dönüştürücü elektrik sinyalini mekanik ultrasonik dalgaya dönüştürmüş; dalga hücre boyunca ilerledikten sonra alıcı PZT tarafından yeniden elektrik sinyaline çevrilmiştir. Oscilloscope hem uyarım hem yanıt dalga biçimini kaydetmiş, Host Computer veri depolama ve sonraki işlemeyi gerçekleştirmiştir.

Yaşlandırma protokolü

Dinlendirme aşaması biriken sıcaklık artışının ve polarizasyon etkilerinin sonraki ultrasonik ölçümü gereksiz biçimde etkilemesini azaltmak amacıyla uygulanmıştır.

DMeyer dalgacığıyla gürültü giderme

Ham ultrasonik sinyaller çevresel gürültü ve elektromanyetik girişim içerdiğinden, kaynak altı seviyeli DMeyer wavelet-packet decomposition ve threshold screening kullanmıştır. İşlemin dalga biçimindeki yararlı bilgiyi bozup bozmadığı Pearson korelasyonu ile denetlenmiştir.

\[ r= \frac{\sum_{i=1}^{n}(X_i-\bar X)(Y_i-\bar Y)} {\sqrt{\sum_{i=1}^{n}(X_i-\bar X)^2} \sqrt{\sum_{i=1}^{n}(Y_i-\bar Y)^2}} \]

Burada \(X_i\) ve \(Y_i\) karşılaştırılan iki sinyalin örnek noktalarını, \(\bar X\) ve \(\bar Y\) ortalamaları temsil eder. \(r\) değeri 1'e yaklaştıkça iki dalga biçiminin doğrusal benzerliği yükselir. Kaynak gönderilen sinyal için 0,99272, alınan sinyal için 0,99917 değerlerini raporlamıştır.

TOF nasıl hesaplandı?

Time of flight (TOF), gönderilen ve alınan ultrasonik dalga biçimlerinin cross-correlation fonksiyonunun maksimum olduğu zaman gecikmesinden çıkarılmıştır.

\[ R_{XY}(\tau)= \int_{-\infty}^{+\infty} X(t)Y(t+\tau)\,dt \]

Ayrık uygulama:

\[ R_{XY}(k)= \sum_{n=0}^{\infty}X(n)Y(n+k) \]

\(R_{XY}\) maksimum olduğunda karşılık gelen \(\tau\) veya ayrık gecikme \(k\), iki dalga biçimi arasındaki en güçlü zaman eşleşmesini verir ve ultrasonik TOF olarak kullanılır.

Dört aday ultrasonik özellik

Figure 5'te SOH çevrim sayısıyla genel olarak azalırken Initial amplitude ve Initial TOF'un SOH değişimini daha tutarlı biçimde izlediği; Maximum ve Minimum amplitude'ın daha fazla yerel dalgalanma gösterdiği görülmektedir.

Pearson korelasyonuyla feature seçimi

Bütün özelliklerin SOH ile pozitif doğrusal ilişkisi raporlanmıştır. Ancak Pearson korelasyonu tek başına model içindeki gerçek karar ağırlığını göstermez; bu nedenle çalışma daha sonra SHAP ile modelin özellikleri fiilen nasıl kullandığını ayrıca incelemiştir.

ISSA-CNN-SE-BiLSTM Modelinde Her Bileşen Ne Yapıyor?

ISSA-CNN-SE-BiLSTM'de CNN çoklu ultrasonik özellikler arasındaki yerel örüntüleri çıkarır, SE modülü önemli feature kanallarını daha yüksek ağırlıkla vurgular, BiLSTM yaşlanma dizisindeki ileri ve geri yönlü ilişkileri işler ve ISSA yedi kritik ağ/eğitim hiperparametresini validation RMSE'sini küçültecek biçimde küresel olarak optimize eder.

CNN yerel özellik çıkarımı

Tek zaman adımındaki ultrasonik özellik vektörü:

\[ x_t\in\mathbb{R}^{f\times1\times1} \]

olarak tanımlanmıştır. İlk convolutional dönüşüm:

\[ U_t=f(W_1*x_t+b_1) \]

ve devamındaki ana convolutional branch:

\[ V_t= \delta\left( BN\left(W_2*\delta(U_t)+b_2\right) \right) \]

şeklindedir. Burada \(*\) convolution işlemini, \(BN\) batch normalization'ı ve \(\delta\) ReLU aktivasyonunu temsil eder.

SE kanal dikkat mekanizması

Squeeze-and-Excitation modülü önce her kanalın global bilgisini ortalama pooling ile sıkıştırır:

\[ z_{t,c}= \frac{1}{H\times W} \sum_{i=1}^{H}\sum_{j=1}^{W}U_{t,c}(i,j) \]

Ardından iki fully connected dönüşüm üzerinden kanal ağırlığı oluşturur:

\[ s_t= \sigma\left( W_4\delta(W_3z_t+b_3)+b_4 \right) \]

ve ana feature representation'ı kanal bazında yeniden ölçekler:

\[ \tilde V_t=s_t\odot V_t \]

Bu mekanizmanın amacı her ultrasonik feature kanalını eşit kabul etmek yerine SOH açısından daha bilgilendirici kanalları vurgulamaktır.

BiLSTM zamansal modelleme

SE tarafından güçlendirilmiş feature map önce düzleştirilmiştir:

\[ g_t=\mathrm{Flatten}(\tilde V_t) \]

BiLSTM ileri ve geri yönlü hidden-state bilgisini birleştirir:

\[ h_t^{bi}= [\overrightarrow{h_t};\overleftarrow{h_t}] \]

Dropout sonrasında SOH tahmini fully connected output layer ile üretilir:

\[ \hat y=W_ph^{bi}+b_p \]

ISSA hangi hiperparametreleri optimize etti?

Kaynak, bu yedi değişkenin nihai optimal sayısal kombinasyonunu ayrı bir tablo halinde raporlamamaktadır.

ISSA'nın fitness fonksiyonu

Hiperparametre kombinasyonlarını değerlendirmek için validation RMSE fitness olarak kullanılmıştır:

\[ Fitness=RMSE= \sqrt{ \frac{1}{N} \sum_{i=1}^{N} (\hat y_i-y_i)^2 } \]

Daha düşük fitness, modelin validation SOH değerlerine daha yakın tahmin yaptığı hiperparametre kombinasyonunu temsil eder.

ISSA klasik SSA'dan nasıl ayrılıyor?

Klasik Sparrow Search Algorithm içinde popülasyon producers, scroungers ve warners gruplarına ayrılır. Kaynak, özellikle farklı büyüklük mertebelerine sahip hiperparametrelerin rastgele başlatılmasının search space'i dengesiz kaplayabileceğini belirtmiştir.

ISSA önce her hiperparametrenin büyüklük mertebesi aralığını:

\[ N_{\mathrm{diff}} = \log_{10}(U_j)-\log_{10}(L_j) \]

ile değerlendirir. Daha sonra örnekleri farklı order-of-magnitude aralıklarına daha dengeli dağıtır ve Tent chaotic mapping kullanarak başlangıç popülasyonunun uzay içindeki yayılımını daha homojen hale getirir.

Son aşamada farklı aralıklardan oluşturulan örnekler birleştirilip rastgele karıştırılır:

\[ X_j=\mathrm{Shuffle}(S_j) \]

Figure 8'de klasik SSA başlangıç noktalarının bazı bölgelerde kümelendiği, ISSA'nın ise boş bölgeleri azaltıp daha dengeli başlangıç kapsamı oluşturduğu gösterilmektedir.

Çalışmanın Yöntemi ve Bulguları

Üç feature set

Değerlendirme metrikleri

Modeller RMSE, MAE ve coefficient of determination \(R^2\) ile değerlendirilmiştir:

\[ RMSE= \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat y_i)^2} \]

\[ MAE= \frac{1}{n}\sum_{i=1}^{n}|y_i-\hat y_i| \]

\[ R^2= 1- \frac{\sum_{i=1}^{n}(y_i-\hat y_i)^2} {\sum_{i=1}^{n}(y_i-\bar y)^2} \]

RMSE ve MAE'nin daha düşük olması daha küçük tahmin hatasını, \(R^2\)'nin 1'e yaklaşması ise tahminlerin gerçek SOH değişimini daha yüksek oranda açıklamasını ifade eder.

Üç Ultrasonik Özelliğin Birlikte Kullanılması Ne Kazandırdı?

ISSA-CNN-SE-BiLSTM'de Initial amplitude'a Initial TOF ve ardından Maximum amplitude eklenmesi RMSE'yi 0,0389%'dan 0,0285% ve son olarak 0,0180%'a düşürmüş, \(R^2\)'yi 0,9940'tan 0,9968 ve 0,9987'ye yükseltmiştir; kaynak bunu farklı ultrasonik özelliklerin birbirini tamamlayan yaşlanma bilgisi taşımasıyla ilişkilendirmektedir.

Feature Set C, A'ya göre RMSE'yi yaklaşık %53,73 ve MAE'yi %54,18; B'ye göre RMSE'yi %36,84 ve MAE'yi %42,19 azaltmıştır.

Table 2: altı model mimarisinin tam karşılaştırması

Model mimarisi ablasyonu ne gösterdi?

Feature Set C altında CNN-SE-BiLSTM, yalnız CNN-SE veya CNN-BiLSTM'den daha düşük hata üretmiştir. Kaynak bunu local feature extraction, SE channel attention ve temporal modeling'in birlikte kullanılmasının avantajı olarak yorumlamaktadır.

Ancak yazarlar önemli bir sınır koymaktadır: ISSA uygulanmamış yapıların karşılaştırılması her mimarinin kendi ideal hiperparametreleri altındaki teorik üst performansını göstermez. Sonuçlar model yapısı ile kullanılan parametre konfigürasyonunun birleşik etkisini yansıtır.

ISSA'nın ek katkısı

MAE azalması aynı üç yapı için sırasıyla %49,95, %14,22 ve %78,36 olarak raporlanmıştır.

Sınırlı eğitim verisi analizi

%20'den %30'a geçildiğinde hata keskin biçimde azalmış, %40'tan sonra RMSE iyileşmesi daha sınırlı hale gelmiştir. Kaynak bunu daha geniş örnek kapsamının model öğrenmesini geliştirdiği, buna karşın %30 eğitim oranında bile genel SOH bozulma eğrisinin anlamlı ölçüde izlenebildiği şeklinde yorumlamaktadır.

SHAP Analizi Modelin Hangi Ultrasonik Özelliklere Dayandığını Gösterdi?

Global SHAP sonuçları model çıktısındaki ortalama mutlak katkının %50,2'sini Initial amplitude'ın, %39,1'ini Initial TOF'un ve %10,7'sini Maximum amplitude'ın oluşturduğunu göstermiştir; dolayısıyla model esas olarak başlangıç genliği ile yayılım gecikmesine dayanmakta, Maximum amplitude ise tamamlayıcı bilgi sağlamaktadır.

Correlation ile SHAP aynı şeyi mi ölçüyor?

Hayır. Pearson korelasyonu bir ultrasonik özelliğin SOH ile veri seti genelindeki doğrusal ilişkisini ölçer. SHAP ise eğitilmiş modelin belirli bir özelliği tahmin sırasında hangi yönde ve ne büyüklükte kullandığını hesaplar. Bu nedenle correlation feature-selection için, SHAP ise modelin karar mekanizmasını yorumlamak için kullanılmıştır.

Yerel SHAP örnekleri

Sample 40 için normalize edilmiş baseline model output 0,075'tir. Initial amplitude +0,126, Initial TOF +0,090 katkı yaparken Maximum amplitude −0,052 katkı sağlamış ve nihai normalize model output 0,239 olmuştur.

Sample 80'de Initial amplitude −0,360, Initial TOF −0,231 ve Maximum amplitude +0,077 katkı sağlamış; nihai output −0,439 olmuştur. Bu sonuç aynı feature'ın farklı örneklerde katkı yönünün ve büyüklüğünün değişebileceğini gösterir.

SHAP dependence ilişkileri

Initial amplitude ve Initial TOF arttıkça SHAP contribution genel olarak artmış; katkı yönü normalize feature uzayında yaklaşık −0,012 ve 0,049 değerlerinde negatiften pozitife geçmiştir. Maximum amplitude ters yönde davranmış ve yaklaşık −0,104 civarında pozitiften negatife geçmiştir.

Bu eşikler ham voltaj veya zaman değerleri değildir. Kaynak hem model girdilerini hem SOH çıktısını normalize ettiğini açıkça belirttiği için SHAP değerleri ve dependence eşikleri normalize edilmiş model uzayına aittir.

Çalışmanın desteklediği sonuçlar

• 120 kHz PZT guided-wave sinyallerinden çıkarılan ultrasonik özellikler kontrollü yaşlandırma deneyinde SOH ile güçlü ilişki göstermiştir.
• Initial amplitude, Initial TOF ve Maximum amplitude birlikte kullanıldığında tek veya iki feature kullanımından daha düşük tahmin hatası elde edilmiştir.
• CNN + SE + BiLSTM bileşimi kaynak deney düzeninde daha iyi genel tahmin performansı sağlamıştır.
• ISSA hiperparametre optimizasyonu özellikle CNN-SE-BiLSTM için hata oranını belirgin biçimde azaltmıştır.
• Feature Set C altında RMSE 0,0180%, MAE 0,0148% ve R² 0,9987 raporlanmıştır.
• %30 training ratio altında bile kaynak veri setinde RMSE 0,0461% ve R² 0,9949 elde edilmiştir.
• SHAP modelin en çok Initial amplitude ve Initial TOF'a dayandığını göstermiştir.

Çalışmanın desteklemediği sonuçlar

• Modelin farklı üreticilerin veya farklı kimyaların bütün lityum-iyon hücrelerinde aynı doğrulukta çalıştığı gösterilmemiştir.
• Farklı sıcaklıklarda aynı hata seviyesinin korunduğu gösterilmemiştir.
• Gerçek elektrikli araç veya şebeke depolama BMS'sinde online saha doğrulaması yapılmamıştır.
• Tek bir feature'ın batarya yaşlanmasının belirli fiziksel mekanizmasını nedensel olarak ölçtüğü kanıtlanmamıştır.
• Yüksek Pearson korelasyonu nedensellik anlamına gelmez.
• SHAP contribution biyolojik/elektrokimyasal nedensellik anlamına gelmez; model kararını açıklar.
• 0,9987 R² farklı hücreler arası generalization garantisi değildir.

Bu Sonuçlar Gerçek Batarya Yönetim Sisteminde Aynı Performansı Kanıtlıyor mu?

Hayır. Raporlanan sonuçlar 25°C'de kontrollü laboratuvar ortamında yaşlandırılan tek 50 Ah prizmatik hücreden oluşturulan veri üzerinde elde edilmiştir; çalışma farklı sıcaklıklar, işletim koşulları, batarya tipleri ve online monitoring uygulamalarındaki doğrulamayı gelecek çalışma olarak bırakmaktadır.

Başlıca yöntemsel sınırlar

Birinci sınır hücre çeşitliliğidir. Kaynak deney düzeneğinde tek 50 Ah prizmatik hücre tanımlamaktadır; bağımsız hücreler arasında cross-cell validation raporlanmamaktadır. Aynı hücrenin yaşlanma dizisini öğrenmek, farklı hücre üretim toleranslarına karşı generalization ile aynı şey değildir.

İkinci sınır sıcaklıktır. Ana deney 25°C termal kabin koşulunda yürütülmüştür. Ultrasonik yayılım hem malzeme özelliklerine hem sıcaklığa duyarlı olduğundan farklı termal koşulların ayrıca doğrulanması gerekir.

Üçüncü sınır çalışma profilidir. Deney kontrollü constant-current çevrim kullanmaktadır. Gerçek araç veya enerji depolama sistemi değişken akım, dinamik yük, geniş SOC aralığı, sıcaklık değişimi, mekanik titreşim ve sensör coupling değişkenliği içerebilir.

Dördüncü sınır model yeniden üretilebilirliğidir. Kaynak ISSA'nın optimize ettiği yedi hiperparametreyi açıkça tanımlasa da nihai optimal hiperparametre değerlerinin tamamını ayrı bir sayısal tablo halinde raporlamamaktadır.

Beşinci sınır performansın veri bağımlılığıdır. Feature selection, model training ve performance evaluation aynı deneysel batarya yaşlanma veri ekosisteminden türetilmiştir. Bu nedenle çok düşük RMSE, bağımsız batarya popülasyonunda elde edilmiş external-validation hatası olarak okunmamalıdır.

Gelecek çalışma

Kaynak yazarları gelecekte farklı sıcaklıklar, çalışma koşulları ve batarya tiplerinde doğrulama yapılmasını ve yöntemin online monitoring senaryolarındaki mühendislik uygulanabilirliğinin değerlendirilmesini önermektedir.

Bu nedenle çalışmanın en güçlü katkısı, “ultrasonla bütün bataryalarda hazır bir SOH ürünü elde edildi” sonucu değil; guided-wave ultrasonik özelliklerin kontrollü bir yaşlandırma dizisinde SOH tahmini için güçlü, elektriksel olmayan ve açıklanabilir bir bilgi kaynağı olabildiğini gösteren deneysel-modelleme çerçevesidir.

Kaynak ve Yöntem Notu

Özgün çalışma: Ultrasonic feature-driven interpretable state-of-health estimation for lithium-ion batteries using a hybrid attention-enhanced learning framework

Yazarlar: Junhao Shu; Limin Geng; Haoyuan Ji; Hao Huang; Xunquan Hu.

Sorumlu yazar: Limin Geng.

Kurum: Shaanxi Key Laboratory of New Transportation Energy and Automotive Energy Saving, School of Energy and Electrical Engineering, Chang’an University, Xi’an, Shaanxi, China.

Kaynak türü: Deneysel batarya yaşlandırma + veri güdümlü SOH modelleme preprinti.

Platform: SSRN.

Yüklenen sürüm: 23 sayfa; SSRN Abstract ID 6929579.

SSRN DOI: 10.2139/ssrn.6929579.

Yüklenen sürümün gönderim tarihi: 13 Haziran 2026.

Hakemlik durumu: Hakem değerlendirmesinden geçmemiş preprint.

Sürüm notu: SSRN aynı çalışma için 24 Haziran 2026 tarihli daha yeni 24 sayfalık sürüm de göstermektedir; bu Verianla makalesinin bilimsel içeriği yüklenen 23 sayfalık sürüme dayanmaktadır.

Lisans/hak durumu: SSRN kaydı All Rights Reserved; permission olmadan yeniden kullanım yasak olarak belirtilmektedir.

Deney hücresi: 50 Ah prizmatik lityum-iyon; LiNi_0.8Co_0.1Mn_0.1O₂ katot / grafit anot.

PZT rezonans frekansı: 120 kHz.

Yaşlandırma sıcaklığı: 25°C.

Çevrim akımı: 40 A.

Çevrim gerilim aralığı: 2,9–4,2 V.

Toplam yaşlandırma: 220 çevrim, 23 ultrasonik ölçüm aşaması.

Ön işleme: DMeyer wavelet, altı seviyeli wavelet-packet decomposition ve threshold screening.

TOF: Transmitted/received signal cross-correlation maksimumundan çıkarılmıştır.

Aday feature'lar: Initial amplitude, Maximum amplitude, Minimum amplitude, Initial TOF.

Nihai feature'lar: Initial amplitude, Initial TOF, Maximum amplitude.

Model: ISSA-CNN-SE-BiLSTM.

CNN rolü: Yerel multidimensional ultrasonic feature ilişkilerini çıkarmak.

SE rolü: Feature-channel importance'ı adaptif olarak yeniden ağırlıklandırmak.

BiLSTM rolü: Yaşlanma boyunca zamansal feature dependency'lerini modellemek.

ISSA rolü: Yedi temel network/training hiperparametresini validation RMSE üzerinden global optimize etmek.

ISSA geliştirmesi: Order-of-magnitude equal partitioning + Tent chaotic mapping tabanlı başlangıç popülasyonu.

Performans metrikleri: RMSE, MAE, R².

Nihai Feature Set C sonucu: RMSE 0,0180%; MAE 0,0148%; R² 0,9987.

ISSA etkisi: CNN-SE-BiLSTM RMSE'si 0,0825%'ten 0,0180%'a düşmüş; azalma %78,18.

%30 training sonucu: RMSE 0,0461%; MAE 0,0402%; R² 0,9949.

SHAP: Initial amplitude %50,2; Initial TOF %39,1; Maximum amplitude %10,7 mean absolute contribution.

SHAP veri ölçeği: Girişler ve SOH normalize edilmiştir; dependence eşikleri fiziksel ham ölçüm birimleri değildir.

CRediT: Junhao Shu — Writing-review & editing, Writing-original draft, Validation, Resources, Methodology, Formal analysis, Data curation; Limin Geng — Writing-review & editing, Supervision, Resources, Methodology, Project administration; Haoyuan Ji — Writing-review & editing, Methodology, Data curation; Hao Huang — Writing-review & editing, Methodology, Investigation, Data curation; Xunquan Hu — Writing-review & editing, Investigation.

Finansman: Key Project of Shaanxi Provincial Natural Science Foundation–Key Project of Laboratory, Grant 2025SYS-SYSZD-117; Key Industrial Chain Technology Cluster Research Program of Xi’an, Grant 25ZDLJQ00001; Fundamental Research Funds for the Central Universities, CHD, Grant 300102384201.

Veri erişilebilirliği: Yüklenen preprintte ayrı bir Data Availability Statement bulunmamaktadır.

Çıkar çatışması: Yüklenen sürümün son bölümünde ayrı bir Declaration of Competing Interest beyanı görünmemektedir; yokluğu varsayılmamıştır.

Temel yöntemsel sınır: Tek hücre, 25°C kontrollü laboratuvar yaşlandırması; bağımsız farklı hücre, sıcaklık, batarya tipi ve gerçek online BMS doğrulaması yapılmamıştır.