論文の概要: Data Driven Prediction of Battery Cycle Life Before Capacity Degradation

• arxiv url: http://arxiv.org/abs/2110.09687v1
• Date: Tue, 19 Oct 2021 01:35:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-21 00:47:07.996746
• Title: Data Driven Prediction of Battery Cycle Life Before Capacity Degradation
• Title（参考訳）: データ駆動による容量劣化前のバッテリサイクル寿命予測
• Authors: Anmol Singh, Caitlin Feltner, Jamie Peck, Kurt I. Kuhn
• Abstract要約: 本稿では,Kristen A. Seversonらが実施したデータと手法を用いて,研究チームが使用した方法論を探索する。 基本的な取り組みは、機械学習技術が、バッテリー容量を正確に予測するために、早期ライフサイクルデータを使用するように訓練されているかどうかを確認することである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Ubiquitous use of lithium-ion batteries across multiple industries presents an opportunity to explore cost saving initiatives as the price to performance ratio continually decreases in a competitive environment. Manufacturers using lithium-ion batteries ranging in applications from mobile phones to electric vehicles need to know how long batteries will last for a given service life. To understand this, expensive testing is required. This paper utilizes the data and methods implemented by Kristen A. Severson, et al, to explore the methodologies that the research team used and presents another method to compare predicted results vs. actual test data for battery capacity fade. The fundamental effort is to find out if machine learning techniques may be trained to use early life cycle data in order to accurately predict battery capacity over the battery life cycle. Results show comparison of methods between Gaussian Process Regression (GPR) and Elastic Net Regression (ENR) and highlight key data features used from the extensive dataset found in the work of Severson, et al.
• Abstract（参考訳）: 複数の産業にまたがるリチウムイオン電池のユビキタス利用は、競争環境において価格対パフォーマンス比が継続的に低下するため、コスト削減イニシアチブを探求する機会となる。 携帯電話から電気自動車まで、さまざまなアプリケーションでリチウムイオン電池を使用しているメーカーは、特定のサービス期間のバッテリー寿命を知る必要がある。 これを理解するには、高価なテストが必要です。 本稿では、Kristen A. Seversonらによるデータと手法を用いて、研究チームが使用した方法論を探索し、予測結果と実際のバッテリー容量のフェードに関するテストデータを比較する別の方法を提案する。 基本的な取り組みは、機械学習技術が、バッテリーライフサイクルのバッテリー容量を正確に予測するために、早期ライフサイクルデータを使用するように訓練されているかどうかを調べることである。 その結果,Gaussian Process Regression (GPR) と Elastic Net Regression (ENR) を比較し,Severson などの作業で発見された広範囲なデータセットから得られた重要なデータ特徴を強調した。

関連論文リスト

• BatSort: Enhanced Battery Classification with Transfer Learning for Battery Sorting and Recycling [42.453194049264646]
  バッテリータイプ分類のための機械学習に基づくアプローチを導入し、アプリケーションにおけるデータ不足の問題に対処する。 本研究では,大規模なデータセットに最適化された既存の知識を活用するために移動学習を適用したBatSortを提案する。 実験の結果,BatSortの精度は平均92.1%,最大96.2%であった。
  論文  参考訳（メタデータ） (2024-04-08T18:05:24Z)
• Distill Gold from Massive Ores: Bi-level Data Pruning towards Efficient Dataset Distillation [96.92250565207017]
  本研究では,データセット蒸留作業におけるデータ効率と選択について検討する。 蒸留の力学を再現することにより、実際のデータセットに固有の冗長性についての洞察を提供する。 蒸留における因果関係から最も寄与した試料を見出した。
  論文  参考訳（メタデータ） (2023-05-28T06:53:41Z)
• Estimation of Remaining Useful Life and SOH of Lithium Ion Batteries (For EV Vehicles) [0.0]
  本稿では,リチウムイオン電池の寿命を推定するための既存手法について概説する。 リチウムイオン電池の寿命を正確に予測するための機械学習技術に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-05-17T15:35:31Z)
• Transfer Learning and Vision Transformer based State-of-Health prediction of Lithium-Ion Batteries [1.2468700211588883]
  健康状態(SOH)の正確な予測は、電池寿命に対するユーザの不安を緩和するだけでなく、バッテリーの管理に重要な情報を提供する。 本稿では,視覚変換器(ViT)モデルに基づくSOHの予測手法を提案する。
  論文  参考訳（メタデータ） (2022-09-07T16:54:15Z)
• Machine learning applications for electricity market agent-based models: A systematic literature review [68.8204255655161]
  エージェントベースのシミュレーションは、電気市場のダイナミクスをよりよく理解するために使用される。 エージェントベースのモデルは、機械学習と人工知能を統合する機会を提供する。 我々は、エージェントベースの電気市場モデルに適用された機械学習に焦点を当てた2016年から2021年の間に発行された55の論文をレビューする。
  論文  参考訳（メタデータ） (2022-06-05T14:52:26Z)
• To Charge or to Sell? EV Pack Useful Life Estimation via LSTMs, CNNs, and Autoencoders [0.6841078017524518]
  電気自動車(EV)は、より良い性能と快適さを提供すると約束しているが、何よりも、気候変動に直面するのに役立っている。その成功にもかかわらず、そのコストは依然として課題だ。 リチウムイオン電池は、最も高価なEVコンポーネントの1つであり、様々なアプリケーションにおけるエネルギー貯蔵の標準となっている。 バッテリーパックの有効寿命(RUL)を正確に見積もると、再利用が促進され、EVのコストが削減され、持続可能性が改善される。
  論文  参考訳（メタデータ） (2021-10-07T16:09:01Z)
• Overcoming limited battery data challenges: A coupled neural network approach [0.0]
  深層ニューラルネットワークを用いた時系列バッテリデータ拡張手法を提案する。 あるモデルはバッテリ充電プロファイルを生成し、別のモデルはバッテリ放電プロファイルを生成する。 その結果,バッテリーデータに制限がある場合の問題点を解消するために,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-10-05T16:17:19Z)
• Optimizing a domestic battery and solar photovoltaic system with deep reinforcement learning [69.68068088508505]
  バッテリーと太陽光発電システムのコストの低下は、ソーラーバッテリーの家庭用システムの増加に繋がった。 本研究では,システム内の電池の充電および放電挙動を最適化するために,深い決定論的ポリシーアルゴリズムを用いる。
  論文  参考訳（メタデータ） (2021-09-10T10:59:14Z)
• A Dynamic Battery State-of-Health Forecasting Model for Electric Trucks: Li-Ion Batteries Case-Study [1.1470070927586016]
  本稿では, 電動トラックにおけるLiイオン電池の機械学習による健康状態(SoH)の予後について検討する。 バッテリーSoHを予測するための自動回帰型統合モデリング平均(ARIMA)と教師付き学習(決定木をベース見積もりとして袋詰め)を提案します。
  論文  参考訳（メタデータ） (2021-03-30T12:19:21Z)
• State-of-Charge Estimation of a Li-Ion Battery using Deep Forward Neural Networks [68.8204255655161]
  リチウムイオン電池のためのDeep Forward Networkを構築し,その性能評価を行った。 本研究の貢献はリチウムイオン電池用ディープフォワードネットワークの構築手法とその性能評価である。
  論文  参考訳（メタデータ） (2020-09-20T23:47:11Z)
• 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。