В работе рассматривается проблема идентификации параметров полной математической модели литийионных аккумуляторов (ЛИА), построенной на основе метода математического прототипирования энергетических процессов (ММПЭП). Актуальность темы обусловлена растущим применением ЛИА в авиации, в том числе в беспилотных авиационных системах, и необходимостью обеспечения надежности и долговечности аккумуляторов за счет точного прогнозирования их характеристик. Описан подход ММПЭП, который позволяет получать модели, строго соответствующие законам сохранения энергии и законам термодинамики, а также учитывать физико-химические особенности конкретных аккумуляторов. Особое внимание уделяется этапам идентификации параметров модели – от первичного приближения на основе экспериментальных данных до дальнейшей оптимизации с помощью современных численных методов и алгоритмов машинного обучения. Проводится анализ современных инструментов для идентификации параметров, включая алгоритмы XGBoost, Random Forest и нейронные сети. Описан опыт построения и обучения инверсной нейронной сети на синтетических данных, сгенерированных на основе полной модели ЛИА, и отмечены особенности подготовки и отбора обучающих данных для улучшения качества предсказаний. Проведен анализ чувствительности модели к различным параметрам, что позволило выделить наиболее значимые параметры для последующей идентификации и повышения точности диагностики состояния аккумуляторов. Представлена архитектура нейронной сети, сочетающая обработку временных рядов и статических признаков, и показаны результаты экспериментов по предсказанию ключевых параметров ЛИА. Отмечено, что полученная нейронная сеть может быть полезна на этапе грубой идентификации параметров, а дальнейшее развитие данного направления связано с использованием более сложных архитектур и интеграции физически информированных подходов для получения более точных математических моделей, которые могут быть положены в основу создания цифровых двойников литийионных аккумуляторов.