論文の概要: Modified Gaussian Process Regression Models for Cyclic Capacity Prediction of Lithium-ion Batteries

• arxiv url: http://arxiv.org/abs/2101.00035v1
• Date: Thu, 31 Dec 2020 19:05:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-17 16:55:10.697938
• Title: Modified Gaussian Process Regression Models for Cyclic Capacity Prediction of Lithium-ion Batteries
• Title（参考訳）: リチウムイオン電池の周期容量予測のための修正ガウス過程回帰モデル
• Authors: Kailong Liu, Xiaosong Hu, Zhongbao Wei, Yi Li, and Yan Jiang
• Abstract要約: 本稿では,リチウムイオン電池の容量予測のための機械学習によるデータ駆動モデルの開発について述べる。 開発モデルは, 種々のサイクリングパターンを有する酸化ニッケル (MCN) リチウムイオン電池と比較した。
• 参考スコア（独自算出の注目度）: 5.663192900261267
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper presents the development of machine learning-enabled data-driven models for effective capacity predictions for lithium-ion batteries under different cyclic conditions. To achieve this, a model structure is first proposed with the considerations of battery ageing tendency and the corresponding operational temperature and depth-of-discharge. Then based on a systematic understanding of covariance functions within the Gaussian process regression, two related data-driven models are developed. Specifically, by modifying the isotropic squared exponential kernel with an automatic relevance determination structure, 'Model A' could extract the highly relevant input features for capacity predictions. Through coupling the Arrhenius law and a polynomial equation into a compositional kernel, 'Model B' is capable of considering the electrochemical and empirical knowledge of battery degradation. The developed models are validated and compared on the Nickel Manganese Cobalt Oxide (NMC) lithium-ion batteries with various cycling patterns. Experimental results demonstrate that the modified Gaussian process regression model considering the battery electrochemical and empirical ageing signature outperforms other counterparts and is able to achieve satisfactory results for both one-step and multi-step predictions. The proposed technique is promising for battery capacity predictions under various cycling cases.
• Abstract（参考訳）: 本稿では,異なる周期条件下でのリチウムイオン電池の有効容量予測のための機械学習可能なデータ駆動モデルの開発について述べる。 これを実現するために,まず,バッテリ老化傾向と操作温度および放電深度を考慮したモデル構造を提案する。 次に,ガウス過程回帰における共分散関数の系統的理解に基づき,関連する2つのデータ駆動モデルを開発した。 具体的には、等方性二乗指数核を自動関連性決定構造で修正することにより、「モデルA」はキャパシティ予測のための高関連な入力特徴を抽出することができる。 アレニウス法則と多項式方程式を合成核に結合することにより、「モデルB」は電池劣化の電気化学的および経験的知識を考慮できる。 開発モデルは、様々なサイクルパターンを持つニッケルマンガンコバルトオキシド(NMC)リチウムイオン電池で検証され、比較される。 実験結果から, 電池の電気化学的および経験的老化特性を考慮したガウス過程回帰モデルが他の手法よりも優れており, 一段階および多段階の予測に満足できることがわかった。 提案手法は,各種サイクリングケースにおけるバッテリ容量予測に有望である。

関連論文リスト

• Improving Low-Fidelity Models of Li-ion Batteries via Hybrid Sparse Identification of Nonlinear Dynamics [1.5728609542259502]
  本稿では,低次リチウムイオン電池モデルの忠実度向上のためのデータインスパイアされたアプローチを提案する。 提案手法は, 遺伝的アルゴリズムとGA-stridgeとを組み合わせて, 低忠実度モデル (LFM) と高忠実度モデル (HFM) の差分を識別・補償する。 物理に基づく手法とデータ駆動方式を組み合わせたハイブリッドモデルは、ベースラインFMと比較して電圧予測誤差を著しく低減できることを示すために、異なる駆動サイクルで試験される。
  論文  参考訳（メタデータ） (2024-11-20T00:00:11Z)
• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。 このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。 普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• COEFF-KANs: A Paradigm to Address the Electrolyte Field with KANs [5.759388420139191]
  液体電解質の組成に基づいてクーロン効率(CE)を自動的に予測する新しい手法を提案する。 得られた電解質の特徴を多層パーセプトロンまたはコルモゴロフ・アルノルドネットワークに入力してCEを予測する。 実世界のデータセットを用いた実験結果から,本手法はCE予測のためのSOTAを全ベースラインと比較した結果を得た。
  論文  参考訳（メタデータ） (2024-07-24T14:45:25Z)
• Generating Comprehensive Lithium Battery Charging Data with Generative AI [24.469319419012745]
  本研究では、生成AIモデルの条件として、EOL(End of Life)とECL(Equivalent Cycle Life)を紹介する。 CVAEモデルに埋め込み層を組み込むことにより, RCVAE(Refined Conditional Variational Autoencoder)を開発した。 準ビデオ形式にプリプロセッシングすることで、電圧、電流、温度、充電容量を含む電気化学データの総合的な合成を実現する。 この方法は、リチウム電池データの人工合成のための新しい研究領域を開拓する、包括的な電気化学データセットを提供する。
  論文  参考訳（メタデータ） (2024-04-11T09:08:45Z)
• Cerberus: A Deep Learning Hybrid Model for Lithium-Ion Battery Aging Estimation and Prediction Based on Relaxation Voltage Curves [7.07637687957493]
  本稿では,ディープラーニングに基づくキャパシティ老化推定と予測のためのハイブリッドモデルを提案する。 提案手法は, チャージサイクルと放電サイクルを含む新しいデータセットに対して, 様々な速度で検証する。
  論文  参考訳（メタデータ） (2023-08-15T15:07:32Z)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)
• Integrating Physics-Based Modeling with Machine Learning for Lithium-Ion Batteries [4.946066838162504]
  本稿では,LiBの高精度モデリングを実現するために,物理モデルと機械学習を統合する2つの新しいフレームワークを提案する。 これらのフレームワークは、物理モデルの状態情報の機械学習モデルに通知することで特徴付けられる。 この研究はさらに、老化を意識したハイブリッドモデリングの実施へと拡張され、予測を行うために健康状態に意識したハイブリッドモデルの設計につながった。
  論文  参考訳（メタデータ） (2021-12-24T07:39:02Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• Physics-constrained deep neural network method for estimating parameters in a redox flow battery [68.8204255655161]
  バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。 そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。 また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
  論文  参考訳（メタデータ） (2021-06-21T23:42:58Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• Universal Battery Performance and Degradation Model for Electric Aircraft [52.77024349608834]
  電動垂直離着陸機(eVTOL)の設計、解析、運用には、Liイオン電池の性能の迅速かつ正確な予測が必要である。 我々は,eVTOLのデューティサイクルに特有の電池性能と熱的挙動のデータセットを生成する。 このデータセットを用いて,物理インフォームド機械学習を用いた電池性能・劣化モデル(Cellfit)を開発した。
  論文  参考訳（メタデータ） (2020-07-06T16:10:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。