論文の概要: MINN: Learning the dynamics of differential-algebraic equations and application to battery modeling

• arxiv url: http://arxiv.org/abs/2304.14422v1
• Date: Thu, 27 Apr 2023 09:11:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-01 16:25:35.067280
• Title: MINN: Learning the dynamics of differential-algebraic equations and application to battery modeling
• Title（参考訳）: MINN:微分代数方程式のダイナミクスの学習とバッテリモデリングへの応用
• Authors: Yicun Huang, Changfu Zou, Yang Li and Torsten Wik
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.900623554490941
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The concept of integrating physics-based and data-driven approaches has become popular for modeling sustainable energy systems. However, the existing literature mainly focuses on the data-driven surrogates generated to replace physics-based models. These models often trade accuracy for speed but lack the generalisability, adaptability, and interpretability inherent in physics-based models, which are often indispensable in the modeling of real-world dynamic systems for optimization and control purposes. In this work, we propose a novel architecture for generating model-integrated neural networks (MINN) to allow integration on the level of learning physics-based dynamics of the system. The obtained hybrid model solves an unsettled research problem in control-oriented modeling, i.e., how to obtain an optimally simplified model that is physically insightful, numerically accurate, and computationally tractable simultaneously. We apply the proposed neural network architecture to model the electrochemical dynamics of lithium-ion batteries and show that MINN is extremely data-efficient to train while being sufficiently generalizable to previously unseen input data, owing to its underlying physical invariants. The MINN battery model has an accuracy comparable to the first principle-based model in predicting both the system outputs and any locally distributed electrochemical behaviors but achieves two orders of magnitude reduction in the solution time.
• Abstract（参考訳）: 物理ベースのアプローチとデータ駆動アプローチを統合するという概念は、持続可能エネルギーシステムのモデリングに人気がある。 しかし、既存の文献は主に物理モデルを置き換えるために生成されたデータ駆動サーロゲートに焦点を当てている。 これらのモデルは、しばしば精度と速度を交換するが、最適化や制御のために実世界の動的システムのモデリングに欠かせない物理モデルに固有の一般化性、適応性、解釈性を欠いている。 本研究では,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。 得られたハイブリッドモデルは、制御指向モデリングにおける未解決の研究、すなわち、物理的に洞察力があり、数値的に正確で、計算的に抽出可能な最適に単純化されたモデルを得る方法を解く。 提案するニューラルネットワークアーキテクチャをリチウムイオン電池の電気化学ダイナミクスのモデル化に適用し,その基礎となる物理不変量により,minnは従来認識されていなかった入力データに対して十分に一般化しながら,トレーニングに極めて効率的なデータ効率を示す。 minnバッテリモデルは、システム出力と局所分散電気化学挙動の両方を予測する第一原理ベースモデルに匹敵する精度を持つが、解時間の2桁の削減を達成している。

関連論文リスト

• Adapting Physics-Informed Neural Networks To Optimize ODEs in Mosquito Population Dynamics [0.019972837513980313]
  本稿では,ODE システムの前方および逆問題に対していくつかの改良を加えた PINN フレームワークを提案する。 この枠組みは、蚊の常微分方程式によって生じる勾配不均衡と硬い問題に取り組む。 予備的な結果は、物理インフォームド機械学習が生態システムの研究を前進させる大きな可能性を秘めていることを示している。
  論文  参考訳（メタデータ） (2024-06-07T17:40:38Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Multi-Objective Physics-Guided Recurrent Neural Networks for Identifying Non-Autonomous Dynamical Systems [0.0]
  制御対象の非自律系をモデル化するための物理誘導型ハイブリッド手法を提案する。 これはリカレントニューラルネットワークによって拡張され、洗練された多目的戦略を使用してトレーニングされる。 実データを用いた実験により,物理モデルと比較して精度が大幅に向上した。
  論文  参考訳（メタデータ） (2022-04-27T14:33:02Z)
• 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)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• 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)
• 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)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Modeling System Dynamics with Physics-Informed Neural Networks Based on Lagrangian Mechanics [3.214927790437842]
  第一原則の手法は高いバイアスに悩まされるが、データ駆動モデリングは高いばらつきを持つ傾向がある。 本稿では,2つのモデリング手法を組み合わせて上記の問題を解くハイブリッドモデルであるPINODEについて述べる。 本研究の目的は,機械系のモデルベース制御とシステム同定である。
  論文  参考訳（メタデータ） (2020-05-29T15:10:43Z)

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。