精选案例 · Agent / 实践案例
ARC 实验数据处理说明
这个案例围绕「ARC 实验数据处理说明」记录了一条真实 AI 实践线索，正文重点集中在「1. 这个脚本做什么？」「第一步：读取实验数据」，适合先按任务意图阅读再判断复用。
案例速读
README 标题「ARC 实验数据处理说明」下已经出现运行/配置路径、脚本或接口线索、结果证据，正文重点集中在「1. 这个脚本做什么？」「第一步：读取实验数据」，比纯概念介绍更适合进入精选阅读流。 这篇案例的阅读价值在于，它把真实任务、模型辅助过程和可迁移做法放在同一个上下文里，读者可以从 「ARC 实验数据处理说明」、「1. 这个脚本做什么？」、「第一步：读取实验数据」、「2. 为什么要重新计算 dT/dt？」 进入正文。
- 建议重点看 可参考其中的运行与配置路径、包含可迁移的命令、脚本或接口线索、已有结果或观测证据可用于判断复用价值。结合 Agent / 实践案例 和「任务驱动用户、AI 实践者」这一受众定位，它更适合作为任务检索后的精读材料，而不是只看一句短摘要后快速跳过。
- 正文目录和原始材料仍然是判断依据；导读只帮助你更快定位阅读重点。
- 看点
- ARC 实验数据处理说明
- 读者
- 任务驱动用户、AI 实践者
- 复用
- 可参考其中的运行与配置路径
- 结构
- 12 个目录入口
原文内容
ARC 实验数据处理说明
这个小项目用于处理钠离子电池 ARC 热失控实验数据。
在建立 PINN 模型之前，我们先从实验数据中提取几个重要量：
- 温度
T_K - 升温速率
dTdt_K_s - 表观放热功率
Q_TR_W - 自热起始温度
- 最大自热速率及其对应温度
1. 这个脚本做什么？
主程序是：
arc_processing.py
它会读取 ARC 的 CSV 文件，然后完成下面这些步骤。
第一步：读取实验数据
当前文件夹里的数据文件是：
puna-100%SOC.csv
这个 CSV 文件里有时间、温度、压力等数据。
脚本会自动识别两类常见格式。
第一类是整理好的格式：
time_s,T_C,T_K,dTdt_C_min,pressure_bar,dPdt_bar_min
第二类是你现在这个 ARC 导出的格式：
Time/min,Cell-tem(degree),Cell-tem-rate(degree/min),Pressure of can (bar),Pressure Rate of Can(bar/min)
注意：脚本不会直接使用仪器给出的 Cell-tem-rate，而是重新根据温度和时间计算升温速率。
2. 为什么要重新计算 dT/dt？
PINN 建模时，我们通常希望数据处理过程可控。
所以脚本会用：
T_K 和 time_s
重新计算：
dTdt_K_s
也就是：
温度对时间的变化率，单位是 K/s
这里使用的是数值微分方法。
简单理解就是：
某一段时间内温度升高了多少 / 这段时间有多长
3. 表观放热功率怎么算？
脚本使用下面这个公式：
Q_TR_W = mass_kg * cp_J_kgK * dTdt_K_s
含义是：
Q_TR_W：表观放热功率，单位 Wmass_kg：电池或样品质量，单位 kgcp_J_kgK：比热容，单位 J/(kg*K)dTdt_K_s：升温速率，单位 K/s
这个公式是一个简化的 lumped heat capacity 模型。
它的物理含义是：
如果样品升温越快，说明内部表观放热越强。
4. 如何安装环境？
建议使用 Python 3.9 或更新版本。
在 PowerShell 里运行：
cd J:\code\Github\0515-PINN
python -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install -r requirements.txt
这几行命令的意思是：
- 进入项目文件夹
- 创建一个 Python 虚拟环境
- 启动虚拟环境
- 安装需要的 Python 包
需要安装的包写在：
requirements.txt
包括：
pandas：读取和处理表格数据numpy：做数值计算matplotlib：画图
5. 如何运行？
在项目文件夹里运行：
python arc_processing.py --input "puna-100%SOC.csv" --mass-kg 0.0356 --cp-J-kgK 1100 --threshold-C-min 0.02
这些参数的意思是：
--input "puna-100%SOC.csv"：输入的 ARC 数据文件--mass-kg 0.050：样品质量是 0.050 kg--cp-J-kgK 1000：比热容是 1000 J/(kg*K)--threshold-C-min 0.02：自热起始判据是 0.02 C/min
你之后需要根据真实实验参数修改：
--mass-kg
--cp-J-kgK
6. 什么是自热起始温度？
脚本会寻找第一个满足下面条件的温度点：
dT/dt >= 0.02 C/min
这个温度就是自热起始温度。
阈值可以自己改，比如：
python arc_processing.py --threshold-C-min 0.05
这表示使用 0.05 C/min 作为自热起始判据。
7. 程序会输出什么？
运行后，终端会打印：
- 自热起始温度
- 最大自热速率
- 最大自热速率对应的温度
同时会生成处理后的 CSV：
outputs/processed_arc.csv
这个文件包含：
time_s,T_K,dTdt_K_s,Q_TR_W
这些列后面可以用于 PINN 建模。
8. 程序会保存哪些图？
图片会保存在：
outputs/figures/
一共三张图：
01_T_K_vs_time_s.png
02_dTdt_K_s_vs_T_K.png
03_log_dTdt_K_s_vs_inverse_T_K.png
它们分别表示：
图 1：温度随时间变化
T_K vs time_s
用于查看 ARC 实验中温度是如何随时间上升的。
图 2：升温速率随温度变化
dTdt_K_s vs T_K
用于查看在哪个温度区间升温变快。
图 3：Arrhenius 风格图
log(dTdt_K_s) vs 1/T_K
这个图常用于观察热反应是否具有类似 Arrhenius 的温度依赖关系。
后续如果要拟合反应动力学参数，这张图会有帮助。
9. 重要提醒
目前的放热功率计算是表观值：
Q_TR_W = mass_kg * cp_J_kgK * dTdt_K_s
它没有额外考虑：
- ARC 样品池热容
- 热损失修正
- 仪器校准因子
- 电池内部非均匀温度
所以它适合作为建模前的第一版数据处理结果。
如果后面要做更严格的热失控机理模型，可以再加入这些修正。