論文の概要: Inferring electrochemical performance and parameters of Li-ion batteries
based on deep operator networks
- arxiv url: http://arxiv.org/abs/2205.03508v1
- Date: Fri, 6 May 2022 23:55:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-10 14:38:45.117714
- Title: Inferring electrochemical performance and parameters of Li-ion batteries
based on deep operator networks
- Title（参考訳）: ディープオペレータネットワークに基づくliイオン電池の電気化学的性能とパラメータの推定
- Authors: Qiang Zheng, Xiaoguang Yin, Dongxiao Zhang
- Abstract要約: Liイオン電池は複雑な物理化学システムであり、一般に入力電圧として印加電流、出力電圧として端子電圧を用いる。
我々は、基礎となる物理を制約として組み込んで、バッテリシステムのためのデータ駆動サロゲートを構築することを提案する。
- 参考スコア（独自算出の注目度）: 1.8369974607582584
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The Li-ion battery is a complex physicochemical system that generally takes
applied current as input and terminal voltage as output. The mappings from
current to voltage can be described by several kinds of models, such as
accurate but inefficient physics-based models, and efficient but sometimes
inaccurate equivalent circuit and black-box models. To realize accuracy and
efficiency simultaneously in battery modeling, we propose to build a
data-driven surrogate for a battery system while incorporating the underlying
physics as constraints. In this work, we innovatively treat the functional
mapping from current curve to terminal voltage as a composite of operators,
which is approximated by the powerful deep operator network (DeepONet). Its
learning capability is firstly verified through a predictive test for Li-ion
concentration at two electrodes. In this experiment, the physics-informed
DeepONet is found to be more robust than the purely data-driven DeepONet,
especially in temporal extrapolation scenarios. A composite surrogate is then
constructed for mapping current curve and solid diffusivity to terminal voltage
with three operator networks, in which two parallel physics-informed DeepONets
are firstly used to predict Li-ion concentration at two electrodes, and then
based on their surface values, a DeepONet is built to give terminal voltage
predictions. Since the surrogate is differentiable anywhere, it is endowed with
the ability to learn from data directly, which was validated by using terminal
voltage measurements to estimate input parameters. The proposed surrogate built
upon operator networks possesses great potential to be applied in on-board
scenarios, such as battery management system, since it integrates efficiency
and accuracy by incorporating underlying physics, and also leaves an interface
for model refinement through a totally differentiable model structure.
- Abstract（参考訳）: Liイオン電池は複雑な物理化学システムであり、一般に入力電圧として印加電流、出力電圧として端子電圧を用いる。
電流から電圧へのマッピングは、正確だが非効率な物理モデルや、効率的だが時には等価回路やブラックボックスモデルなど、いくつかのモデルによって記述できる。
本研究では,バッテリモデリングの精度と効率を同時に実現するために,基礎となる物理を制約として取り入れつつ,バッテリシステムのためのデータ駆動サーロゲートを構築することを提案する。
本研究では, 強力な深層演算子ネットワーク(deeponet)によって近似される, 電流曲線から終端電圧への関数マッピングを, 演算子の合成として革新的に扱う。
その学習能力は、まず2つの電極におけるLiイオン濃度の予測試験によって検証される。
この実験では、物理インフォームされたDeepONetは、特に時間外挿シナリオにおいて、純粋にデータ駆動のDeepONetよりも堅牢であることが判明した。
次に、2つの平行物理インフォームドDeepONetsを用いて2つの電極におけるLiイオン濃度を予測し、その表面値に基づいて、DeepONetを用いて端子電圧予測を行う3つの演算子ネットワークを用いて、電流曲線と固体拡散率を端子電圧にマッピングする。
サロゲートはどこでも微分可能であるため、データから直接学習する能力が付与され、入力パラメータを推定するために端末電圧測定を用いて検証された。
オペレータネットワーク上に構築されたサーロゲートは、基礎となる物理を取り入れることで効率と精度を統合し、完全に微分可能なモデル構造によるモデル洗練のためのインターフェースも残しているため、バッテリ管理システムなどのオンボードシナリオに適用する大きな可能性を秘めている。
関連論文リスト
- 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) - PINN surrogate of Li-ion battery models for parameter inference. Part I: Implementation and multi-fidelity hierarchies for the single-particle model [0.0]
この原稿は、パラメータ推論のためのLiイオン電池モデルのPINNサロゲートを導入した2部シリーズの最初のものである。
複数個のニューラルネットを複数の物理損失フィデリティでトレーニングし、サロゲート精度を大幅に向上させるマルチフィデリティ階層的トレーニングが示される。
論文 参考訳（メタデータ） (2023-12-28T19:09:56Z) - Physics-informed machine learning of redox flow battery based on a
two-dimensional unit cell model [1.8147447763965252]
本稿では,全バナジウムレドックスフローバッテリの性能を予測するために,物理インフォームドニューラルネットワーク(PINN)を提案する。
数値計算の結果,PINNはセル電圧を正確に予測できるが,電位の予測は一定の変化を示す。
論文 参考訳（メタデータ） (2023-05-31T22:06:30Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - Dynaformer: A Deep Learning Model for Ageing-aware Battery Discharge
Prediction [2.670887944566458]
本稿では,少数の電圧/電流サンプルから同時に老化状態を推定できるトランスフォーマーに基づく新しいディープラーニングアーキテクチャを提案する。
実験の結果, 学習モデルは様々な複雑さの入力電流分布に有効であり, 広範囲の劣化レベルに対して堅牢であることがわかった。
論文 参考訳（メタデータ） (2022-06-01T15:31:06Z) - 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) - 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) - Simple statistical models and sequential deep learning for Lithium-ion
batteries degradation under dynamic conditions: Fractional Polynomials vs
Neural Networks [1.8899300124593648]
リチウム イオン電池の長寿そして安全は電池の作動条件の有効な監視そして調節によって促進されます。
バッテリー管理システム上の状態の健康(SoH)監視のための迅速かつ正確なアルゴリズムを実装することが重要です。
本稿では,長期記憶ニューラルネットワークと多変量多項回帰の2つのデータ駆動手法を提案し,比較する。
論文 参考訳（メタデータ） (2021-02-16T12:26:23Z) - Machine learning pipeline for battery state of health estimation [3.0238880199349834]
我々は,バッテリ容量のフェードを推定するための機械学習パイプラインの設計と評価を行う。
パイプラインは、2つのパラメトリックおよび2つの非パラメトリックアルゴリズムを用いて、関連する信頼区間で電池SOHを推定する。
高速充電プロトコルの下で動作しているセルにデプロイすると、最良のモデルでは、ルート平均2乗誤差が0.45%に達する。
論文 参考訳（メタデータ） (2021-02-01T13:50:56Z) - 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) - Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。
数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。
我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
論文 参考訳（メタデータ） (2020-06-02T23:38:35Z)
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。