論文の概要: Feature Analyses and Modelling of Lithium-ion Batteries Manufacturing
based on Random Forest Classification
- arxiv url: http://arxiv.org/abs/2102.06029v1
- Date: Wed, 10 Feb 2021 11:56:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-12 14:11:03.654670
- Title: Feature Analyses and Modelling of Lithium-ion Batteries Manufacturing
based on Random Forest Classification
- Title（参考訳）: ランダム森林分類に基づくリチウムイオン電池製造の特徴分析とモデル化
- Authors: Kailong Liu, Xiaosong Hu, Huiyu Zhou, Lei Tong, W. Dhammika Widanage,
James Marco
- Abstract要約: 本稿では、電池製造特性の重要性と相関を定量化するためのランダムフォレスト(RF)に基づく分類フレームワークの提案と、電極特性の分類に対する影響について述べる。
3つの定量指標によるバッテリ生産特性の重要性と相関を同時に定量化するための体系的なRFフレームワークを設計するのは,これが初めてである。
- 参考スコア（独自算出の注目度）: 11.383940389885044
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Lithium-ion battery manufacturing is a highly complicated process with
strongly coupled feature interdependencies, a feasible solution that can
analyse feature variables within manufacturing chain and achieve reliable
classification is thus urgently needed. This article proposes a random forest
(RF)-based classification framework, through using the out of bag (OOB)
predictions, Gini changes as well as predictive measure of association (PMOA),
for effectively quantifying the importance and correlations of battery
manufacturing features and their effects on the classification of electrode
properties. Battery manufacturing data containing three intermediate product
features from the mixing stage and one product parameter from the coating stage
are analysed by the designed RF framework to investigate their effects on both
the battery electrode active material mass load and porosity. Illustrative
results demonstrate that the proposed RF framework not only achieves the
reliable classification of electrode properties but also leads to the effective
quantification of both manufacturing feature importance and correlations. This
is the first time to design a systematic RF framework for simultaneously
quantifying battery production feature importance and correlations by three
various quantitative indicators including the unbiased feature importance (FI),
gain improvement FI and PMOA, paving a promising solution to reduce model
dimension and conduct efficient sensitivity analysis of battery manufacturing.
- Abstract（参考訳）: リチウムイオン電池製造は、強く結合した機能相互依存性を持つ非常に複雑なプロセスであり、製造チェーン内の特徴変数を分析し、信頼性の高い分類を実現するための実現可能なソリューションが必要である。
本稿では、OOB(Out of Bag)予測、Gini変化、およびPMOA(Predictive Measurement of Association)を用いて、電池製造特性の重要性と相関性および電極特性の分類への影響を効果的に定量化するランダムフォレスト(RF)ベースの分類フレームワークを提案する。
混合段階から3つの中間製品特性とコーティング段階から1つの製品パラメータを含む電池製造データは、設計RFフレームワークによって分析され、電池電極活性物質の質量負荷と多孔性の両方への影響を調べます。
その結果, rfフレームワークは電極特性の信頼性の高い分類を実現するだけでなく, 製造特性と相関性の両方を効果的に定量化できることがわかった。
非偏在性(FI)、改善性(FI)、PMOA(PMOA)を含む3つの様々な定量指標により、電池生産の重要度と相関を同時に定量化する体系的なRFフレームワークを初めて設計し、モデル次元の低減と電池製造の効率的な感度解析を行う有望なソリューションを提供します。
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) - Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。
DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。
特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
論文 参考訳（メタデータ） (2024-09-23T17:11:04Z) - Battery GraphNets : Relational Learning for Lithium-ion Batteries(LiBs) Life Estimation [0.0]
本稿では、バッテリパラメータ間で独立した依存性グラフ構造を組み込むことを共同で学習するバッテリグラフネットワークフレームワークを提案する。
提案手法は,市販のバッテリデータセットにおいて,いくつかの一般的な手法よりも優れた性能を示し,SOTA性能を実現する。
論文 参考訳（メタデータ） (2024-08-14T15:44:56Z) - Toward High-Performance Energy and Power Battery Cells with Machine
Learning-based Optimization of Electrode Manufacturing [61.27691515336054]
本研究では,所望のバッテリ適用条件に対する高性能電極の課題に対処する。
本稿では、電気化学性能の2目的最適化のための決定論的機械学習(ML)支援パイプラインによって支援される強力なデータ駆動アプローチを提案する。
以上の結果から,スラリー中の固形物の中間値とカレンダリング度を併用した高活性物質が最適電極となることが示唆された。
論文 参考訳（メタデータ） (2023-07-07T13:48:50Z) - Performance of a one-parameter correlation factor for transcorrelation:
the Li-Ne total energies and ionization potentials [0.0]
電子を2つ以上含むシステムに対する最近提案したtranscorrelated (TC) アプローチの性能について検討した。
このようなアプローチの利点は、効率的な数値解析スキームが効率的なTCハミルトニアンで起こる2-体積分と3-体積分を計算するために設定できるため、その単純さに依存する。
与えられた基底集合内で正確な基底状態エネルギーを得るため、現在のTCスキームは、最近提案されたTCフル構成相互作用量子モンテカルロ法と結合する。
論文 参考訳（メタデータ） (2022-02-21T18:56:46Z) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳（メタデータ） (2021-10-26T07:02:14Z) - Modified Gaussian Process Regression Models for Cyclic Capacity
Prediction of Lithium-ion Batteries [5.663192900261267]
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。
論文 参考訳（メタデータ） (2020-12-31T19:05:27Z) - Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost
Functions [80.12620331438052]
深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました
その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。
このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
論文 参考訳（メタデータ） (2020-06-25T08:46:37Z) - Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。
従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。
本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
論文 参考訳（メタデータ） (2020-04-07T04:07:29Z)
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。