Fugu-MT 論文翻訳(概要): Predicting Li-ion Battery Cycle Life with LSTM RNN

論文の概要: Predicting Li-ion Battery Cycle Life with LSTM RNN

arxiv url: http://arxiv.org/abs/2207.03687v1
Date: Fri, 8 Jul 2022 04:49:17 GMT
ステータス: 処理完了
システム内更新日: 2022-07-11 14:27:36.061986
Title: Predicting Li-ion Battery Cycle Life with LSTM RNN
Title（参考訳）: LSTM RNNによるリチウムイオン電池サイクル寿命予測
Authors: Pengcheng Xu, Yunfeng Lu
Abstract要約: この研究は、長い短期記憶リカレントニューラルネットワークモデルをトレーニングし、様々なサイクルと電圧で放電容量のシーケンシャルデータから学習する。最初の60～80サイクルの実験データを用いて,約80個のサンプルを用いて予測精度を予測した。
参考スコア（独自算出の注目度）: 2.4738790490814213
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Efficient and accurate remaining useful life prediction is a key factor for reliable and safe usage of lithium-ion batteries. This work trains a long short-term memory recurrent neural network model to learn from sequential data of discharge capacities at various cycles and voltages and to work as a cycle life predictor for battery cells cycled under different conditions. Using experimental data of first 60 - 80 cycles, our model achieves promising prediction accuracy on test sets of around 80 samples.
Abstract（参考訳）: リチウムイオン電池の信頼性と安全な使用には,有効で正確な寿命予測が重要である。この研究は、長期の短期記憶リカレントニューラルネットワークモデルを訓練し、様々なサイクルと電圧における放電容量の逐次データから学習し、異なる条件下での電池セルのサイクル寿命予測器として機能させる。最初の60～80サイクルの実験データを用いて,約80個のサンプルを用いて予測精度を予測した。

関連論文リスト

Zero-Shot Load Forecasting with Large Language Models [40.604618284659736]
本稿では,Chronos モデルで表される高度な LLM フレームワークを用いたゼロショット負荷予測手法を提案する。トレーニング済みの広範な知識を利用することで、Chronosモデルは、広範なデータ固有のトレーニングを必要とせずに、データスカースシナリオの正確な負荷予測を可能にする。
論文参考訳（メタデータ） (2024-11-18T07:39:46Z)
Onboard Health Estimation using Distribution of Relaxation Times for Lithium-ion Batteries [0.0]
健常高齢者5例とサイクリング高齢者17例のインピーダンススペクトロスコピー(EIS)データを用いて,SOH(State-of-Health)推定を行った。 10種類の異なるテストセットでテストすることでモデル性能を検証し、平均 RMSPE は1.69% である。
論文参考訳（メタデータ） (2024-10-20T04:04:53Z)
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)
Predicting Battery Lifetime Under Varying Usage Conditions from Early Aging Data [3.739266290083215]
キャパシティ電圧データを用いて、広範囲な充電速度、放電速度、放電深度で周期された細胞の寿命を予測する。提案手法は,リチウムイオン電池劣化モードのドメイン知識を機能工学に活用することの重要性を強調した。
論文参考訳（メタデータ） (2023-07-17T10:42:21Z)
Bayesian hierarchical modelling for battery lifetime early prediction [1.84926694477846]
電池寿命予測のための階層型ベイズ線形モデルを提案する。個々の細胞の特徴(製造の多様性を反映する)と人口全体の特徴(循環条件が人口平均に与える影響を反映する)を兼ね備えている。このモデルは、根平均2乗誤差3.2日、絶対パーセンテージ誤差8.6%で寿命を予測できる。
論文参考訳（メタデータ） (2022-11-10T17:02:39Z)
Interpretable Battery Cycle Life Range Prediction Using Early Degradation Data at Cell Level [0.8137198664755597]
量的回帰フォレスト(QRF)モデルを導入し、不確かさを定量化してサイクル寿命範囲を予測する。データ駆動方式は, 電池劣化機構の最小限の知識で, 電池サイクル寿命のポイント予測を行う手法として提案されている。最終QRFモデルの解釈可能性については,2つの大域的モデルに依存しない手法を用いて検討した。
論文参考訳（メタデータ） (2022-04-26T16:26:27Z)
Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
論文参考訳（メタデータ） (2022-03-29T21:18:47Z)
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)
Data Driven Prediction of Battery Cycle Life Before Capacity Degradation [0.0]
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。
論文参考訳（メタデータ） (2021-10-19T01:35:12Z)
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。