論文の概要: Physics-Informed Neural Networks for Prognostics and Health Management
of Lithium-Ion Batteries
- arxiv url: http://arxiv.org/abs/2301.00776v2
- Date: Mon, 11 Sep 2023 15:30:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-12 22:42:09.030032
- Title: Physics-Informed Neural Networks for Prognostics and Health Management
of Lithium-Ion Batteries
- Title（参考訳）: リチウムイオン電池の予測と健康管理のための物理インフォームドニューラルネットワーク
- Authors: Pengfei Wen, Zhi-Sheng Ye, Yong Li, Shaowei Chen, Pu Xie, Shuai Zhao
- Abstract要約: 物理インフォームドニューラルネットワーク(PINN)に基づくモデル融合方式を提案する。
半経験的半物理偏微分方程式(PDE)を開発し、リチウムイオン電池の劣化ダイナミクスをモデル化する。
発見されたダイナミクス情報は、PINNフレームワークのサロゲートニューラルネットワークがマイニングしたものと融合する。
- 参考スコア（独自算出の注目度）: 8.929862063890974
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For Prognostics and Health Management (PHM) of Lithium-ion (Li-ion)
batteries, many models have been established to characterize their degradation
process. The existing empirical or physical models can reveal important
information regarding the degradation dynamics. However, there are no general
and flexible methods to fuse the information represented by those models.
Physics-Informed Neural Network (PINN) is an efficient tool to fuse empirical
or physical dynamic models with data-driven models. To take full advantage of
various information sources, we propose a model fusion scheme based on PINN. It
is implemented by developing a semi-empirical semi-physical Partial
Differential Equation (PDE) to model the degradation dynamics of Li-ion
batteries. When there is little prior knowledge about the dynamics, we leverage
the data-driven Deep Hidden Physics Model (DeepHPM) to discover the underlying
governing dynamic models. The uncovered dynamics information is then fused with
that mined by the surrogate neural network in the PINN framework. Moreover, an
uncertainty-based adaptive weighting method is employed to balance the multiple
learning tasks when training the PINN. The proposed methods are verified on a
public dataset of Li-ion Phosphate (LFP)/graphite batteries.
- Abstract（参考訳）: リチウムイオン(Liイオン)電池の診断・健康管理(PHM)については,劣化過程を特徴付けるために多くのモデルが確立されている。
既存の経験モデルや物理モデルは、劣化ダイナミクスに関する重要な情報を明らかにすることができる。
しかし、これらのモデルで表現される情報を融合する一般的な、柔軟な方法は存在しない。
physics-informed neural network (pinn)は、経験的または物理的動的モデルをデータ駆動モデルと融合する効率的なツールである。
様々な情報ソースをフル活用するために,PINNに基づくモデル融合方式を提案する。
半経験的半物理偏微分方程式(PDE)を開発し、リチウムイオン電池の劣化ダイナミクスをモデル化する。
ダイナミクスに関する事前の知識がほとんどない場合、データ駆動型ディープ隠れ物理モデル(deephpm)を利用して、基盤となる動的モデルを見つけます。
発見されたダイナミクス情報は、PINNフレームワークのサロゲートニューラルネットワークがマイニングしたものと融合する。
さらに、PINNのトレーニング時に複数の学習タスクのバランスをとるために、不確実性に基づく適応重み付け手法を用いる。
提案手法はLi-イオンリン酸塩/グラファイト電池のパブリックデータセット上で検証される。
関連論文リスト
- Generating Synthetic Net Load Data with Physics-informed Diffusion Model [0.8848340429852071]
条件付き認知ニューラルネットワークは、拡散モデルの遷移核のパラメータを共同で訓練するように設計されている。
総合的な評価指標を用いて、生成された合成ネット負荷データの正確性と多様性を評価する。
論文 参考訳（メタデータ） (2024-06-04T02:50:19Z) - Training Deep Surrogate Models with Large Scale Online Learning [48.7576911714538]
ディープラーニングアルゴリズムは、PDEの高速解を得るための有効な代替手段として登場した。
モデルは通常、ソルバによって生成された合成データに基づいてトレーニングされ、ディスクに格納され、トレーニングのために読み返される。
ディープサロゲートモデルのためのオープンソースのオンライントレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-28T12:02:27Z) - MINN: Learning the dynamics of differential-algebraic equations and
application to battery modeling [3.900623554490941]
我々は、モデル統合ニューラルネットワーク(MINN)を生成するための新しいアーキテクチャを提案する。
MINNは、システムの物理に基づく力学の学習レベルとの統合を可能にする。
提案したニューラルネットワークアーキテクチャを用いてリチウムイオン電池の電気化学的ダイナミクスをモデル化する。
論文 参考訳（メタデータ） (2023-04-27T09:11:40Z) - Thermodynamically Consistent Machine-Learned Internal State Variable
Approach for Data-Driven Modeling of Path-Dependent Materials [0.76146285961466]
ディープニューラルネットワークやリカレントニューラルネットワーク(RNN)などのデータ駆動機械学習モデルが,現実的な代替手段になりつつある。
本研究では,計測可能な材料に基づく経路依存材料に対する,機械学習型ロバスト性駆動型モデリング手法を提案する。
論文 参考訳（メタデータ） (2022-05-01T23:25:08Z) - 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) - Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。
静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文 参考訳（メタデータ） (2022-02-25T20:00:56Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳（メタデータ） (2021-11-02T10:51:42Z) - Neural ODE and DAE Modules for Power System Dynamic Modeling [2.342020413587919]
実用的なパワーシステムでは、動的コンポーネントモデリングはモデル決定とモデルキャリブレーションの課題に長年直面してきた。
本稿では, ニューラル常微分方程式 (ODE) の一般的な枠組みに基づいて, 電力系統動的成分モデリングのためのニューラル常微分方程式 (ODE) モジュールとニューラル微分代数方程式 (DAE) モジュールを提案する。
モジュールはオートエンコーダを採用し、状態変数の次元を高め、人工知能ニューラルネットワーク(ANN)でコンポーネントのダイナミクスをモデル化し、数値積分構造を維持する。
論文 参考訳（メタデータ） (2021-10-25T14:15:45Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2021-10-18T14:43:50Z) - Integrating Electrochemical Modeling with Machine Learning for
Lithium-Ion Batteries [0.0]
本稿では,リチウムイオン電池(LiB)の高精度モデリングを実現するために,物理モデルと機械学習を統合する新しい手法を提案する。
本稿では,1粒子モデルと熱力学(SPMT)をフィードフォワードニューラルネットワーク(FNN)とを混合して,LiBの動的挙動の物理インフォームド学習を行うアプローチに基づく2つのハイブリッド物理機械学習モデルを提案する。
論文 参考訳（メタデータ） (2021-03-22T04:53:38Z)
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。