論文の概要: Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery

• arxiv url: http://arxiv.org/abs/2203.01985v1
• Date: Thu, 3 Mar 2022 19:56:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-07 16:26:41.766811
• Title: Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery
• Title（参考訳）: バナジウムレドックスフローバッテリのモデリングのための物理拘束型ディープニューラルネットワーク
• Authors: QiZhi He, Yucheng Fu, Panos Stinis, Alexandre Tartakovsky
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 62.997667081978825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Numerical modeling and simulation have become indispensable tools for advancing a comprehensive understanding of the underlying mechanisms and cost-effective process optimization and control of flow batteries. In this study, we propose an enhanced version of the physics-constrained deep neural network (PCDNN) approach [1] to provide high-accuracy voltage predictions in the vanadium redox flow batteries (VRFBs). The purpose of the PCDNN approach is to enforce the physics-based zero-dimensional (0D) VRFB model in a neural network to assure model generalization for various battery operation conditions. Limited by the simplifications of the 0D model, the PCDNN cannot capture sharp voltage changes in the extreme SOC regions. To improve the accuracy of voltage prediction at extreme ranges, we introduce a second (enhanced) DNN to mitigate the prediction errors carried from the 0D model itself and call the resulting approach enhanced PCDNN (ePCDNN). By comparing the model prediction with experimental data, we demonstrate that the ePCDNN approach can accurately capture the voltage response throughout the charge--discharge cycle, including the tail region of the voltage discharge curve. Compared to the standard PCDNN, the prediction accuracy of the ePCDNN is significantly improved. The loss function for training the ePCDNN is designed to be flexible by adjusting the weights of the physics-constrained DNN and the enhanced DNN. This allows the ePCDNN framework to be transferable to battery systems with variable physical model fidelity.
• Abstract（参考訳）: 数値モデリングとシミュレーションは,基礎となるメカニズムの包括的理解とコスト効率のよいプロセス最適化,フローバッテリの制御に不可欠である。 本研究では,vanadium redox flow battery (vrfbs) における高精度電圧予測を実現するために,物理制約付き深層ニューラルネットワーク (pcdnn) アプローチの強化版を提案する。 PCDNNアプローチの目的は、物理学に基づくゼロ次元(0D)VRFBモデルをニューラルネットワークに強制し、様々なバッテリ動作条件に対するモデルの一般化を保証することである。 0Dモデルの単純化によって制限されたPCDNNは、極端なSOC領域における急激な電圧変化を捉えることができない。 極端範囲における電圧予測の精度を向上させるために,0Dモデル自体から発生する予測誤差を軽減し,結果として得られたアプローチを拡張PCDNN(ePCDNN)と呼ぶ第2の(強化された)DNNを導入する。 モデル予測を実験データと比較することにより,epcdnnアプローチは電圧放電曲線のテール領域を含む帯電-放電サイクルを通して,電圧応答を正確に把握できることを実証する。 標準PCDNNと比較して,ePCDNNの予測精度は大幅に向上した。 ePCDNNをトレーニングする損失関数は、物理制約付きDNNと拡張DNNの重みを調整することで柔軟に設計されている。 これにより、ePCDNNフレームワークは、物理モデル忠実度が変化するバッテリシステムに転送できる。

関連論文リスト

• Online model error correction with neural networks: application to the Integrated Forecasting System [0.27930367518472443]
  ニューラルネットワークを用いた中レージ気象予報センターのモデル誤差補正手法を開発した。 ネットワークは、運用分析と分析インクリメントの大規模なデータセットを使用して、オフラインで事前トレーニングされている。 その後、データ同化や予測実験に使用されるように、オブジェクト指向予測システム(OOPS)内のIFSに統合される。
  論文  参考訳（メタデータ） (2024-03-06T13:36:31Z)
• Flexible Parallel Neural Network Architecture Model for Early Prediction of Lithium Battery Life [0.8530934084017966]
  電池寿命の早期予測(EPBL)は、リチウム電池の効率を高め、寿命を延ばすために不可欠である。 固定アーキテクチャを持つ従来のモデルは、異なるEPBLタスクにおける多様なデータ分散のために、不適合や過度に適合する問題にしばしば遭遇する。 InceptionBlock,3D畳み込みニューラルネットワーク(CNN),2D CNN,デュアルストリームネットワークを含む,フレキシブル並列ニューラルネットワーク(FPNN)の解釈可能なディープラーニングモデルを提案する。 提案モデルでは,3次元CNNを用いて映像のようなフォーマットデータから電気化学的特徴を効果的に抽出し,高度なマルチスケール特徴抽象化を実現する。
  論文  参考訳（メタデータ） (2024-01-29T12:20:17Z)
• Fast Cell Library Characterization for Design Technology Co-Optimization Based on Graph Neural Networks [0.1752969190744922]
  設計技術の共同最適化(DTCO)は、最適パワー、性能、領域を達成する上で重要な役割を果たす。 本稿では,高速かつ正確なセルライブラリ解析のためのグラフニューラルネットワーク(GNN)に基づく機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-12-20T06:10:27Z)
• SPIDE: A Purely Spike-based Method for Training Feedback Spiking Neural Networks [56.35403810762512]
  イベントベースの計算を伴うスパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェアにおけるエネルギー効率の高い応用のために、脳にインスパイアされたモデルを約束している。 本研究では,最近提案されたトレーニング手法を拡張した平衡状態(SPIDE)に対するスパイクに基づく暗黙差分法について検討した。
  論文  参考訳（メタデータ） (2023-02-01T04:22:59Z)
• Fault-Aware Design and Training to Enhance DNNs Reliability with Zero-Overhead [67.87678914831477]
  ディープニューラルネットワーク(DNN)は、幅広い技術的進歩を可能にする。 最近の知見は、過渡的なハードウェア欠陥がモデル予測を劇的に損なう可能性があることを示唆している。 本研究では,トレーニングとモデル設計の両面で信頼性の問題に取り組むことを提案する。
  論文  参考訳（メタデータ） (2022-05-28T13:09:30Z)
• 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)
• Alleviation of Temperature Variation Induced Accuracy Degradation in Ferroelectric FinFET Based Neural Network [0.0]
  我々は、MNISTデータセットをベースラインとして96.4%の推論精度でトレーニング済みの人工ニューラルネットワークを採用する。 我々は300KでトレーニングしたNNに対して,233Kでアナログニューラルネットワークの有意な推論精度の劣化を観測した。 我々は、温度変化による精度劣化に対するNNの免疫性を確保するために、"リード電圧"最適化によるバイナリニューラルネットワークをデプロイする。
  論文  参考訳（メタデータ） (2021-03-03T16:06:03Z)
• Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
  本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。 このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。 本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
  論文  参考訳（メタデータ） (2020-07-03T01:37:16Z)

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。