論文の概要: Finite Element Analysis and Machine Learning Guided Design of Carbon
Fiber Organosheet-based Battery Enclosures for Crashworthiness
- arxiv url: http://arxiv.org/abs/2309.00637v1
- Date: Tue, 22 Aug 2023 21:02:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-10 03:57:00.475461
- Title: Finite Element Analysis and Machine Learning Guided Design of Carbon
Fiber Organosheet-based Battery Enclosures for Crashworthiness
- Title（参考訳）: 炭素繊維有機シート型電池の耐クラッシュ性向上のための有限要素解析と機械学習指導設計
- Authors: Shadab Anwar Shaikh, M.F.N. Taufique, Kranthi, Balusu, Shank S.
Kulkarni, Forrest Hale, Jonathan Oleson, Ram Devanathan, Ayoub Soulami
- Abstract要約: カーボンファイバー複合材料は、電気自動車の金属ベースの電池囲いを代替する可能性があり得る。
我々は,高スループット有限要素解析 (FEA) に基づく熱成形シミュレーションを実装し,バッテリ囲いを実質的に製造した。
我々は, サイドポールクラッシュを模擬した仮想クラッシュシミュレーションを行い, 電池ケースの耐クラッシュ性を評価した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Carbon fiber composite can be a potential candidate for replacing metal-based
battery enclosures of current electric vehicles (E.V.s) owing to its better
strength-to-weight ratio and corrosion resistance. However, the strength of
carbon fiber-based structures depends on several parameters that should be
carefully chosen. In this work, we implemented high throughput finite element
analysis (FEA) based thermoforming simulation to virtually manufacture the
battery enclosure using different design and processing parameters.
Subsequently, we performed virtual crash simulations to mimic a side pole crash
to evaluate the crashworthiness of the battery enclosures. This high throughput
crash simulation dataset was utilized to build predictive models to understand
the crashworthiness of an unknown set. Our machine learning (ML) models showed
excellent performance (R2 > 0.97) in predicting the crashworthiness metrics,
i.e., crush load efficiency, absorbed energy, intrusion, and maximum
deceleration during a crash. We believe that this FEA-ML work framework will be
helpful in down select process parameters for carbon fiber-based component
design and can be transferrable to other manufacturing technologies.
- Abstract（参考訳）: カーボンファイバー複合材は、より優れた強度と重量比と耐食性のために、現行の電気自動車(E.V.s)の金属ベースの電池を交換する可能性がある。
しかし, 炭素繊維系構造物の強度は, 慎重に選択すべきパラメータに依存する。
本研究では,高スループット有限要素解析(FEA)に基づく熱成形シミュレーションを実装し,設計と処理パラメータの異なる電池囲いを仮想的に製造した。
続いて,側極衝突を模倣した仮想クラッシュシミュレーションを行い,バッテリ内装のクラッシュ性評価を行った。
この高スループットクラッシュシミュレーションデータセットは、未知集合のクラッシュ性を理解するための予測モデルを構築するために利用された。
機械学習 (ML) モデルでは, 衝突時の負荷効率, 吸収エネルギー, 侵入力, 最大減速力の予測に優れた性能 (R2 > 0.97) を示した。
このfea-mlの作業フレームワークは、炭素繊維ベースのコンポーネント設計のプロセスパラメータの選定に役立ち、他の製造技術に転送可能であると信じています。
関連論文リスト
- Probabilistic Surrogate Model for Accelerating the Design of Electric Vehicle Battery Enclosures for Crash Performance [0.0]
本稿では,事故性能に着目した電気自動車用バッテリケースの高速化設計のための確率的サロゲートモデルを提案する。
このモデルは、様々な材料およびプロセスパラメータのサーモフォーミングとクラッシュシミュレーションから生成されたデータを用いて訓練された。
新しいシミュレーションデータに対する検証では、全ての出力変数に対して平均絶対パーセンテージ誤差8.08%でモデルの予測精度を実証した。
論文 参考訳（メタデータ） (2024-08-06T21:03:16Z) - Machine Learning for Pre/Post Flight UAV Rotor Defect Detection Using Vibration Analysis [54.550658461477106]
無人航空機(UAV)は将来のスマートシティにとって重要なインフラ要素となるだろう。
効率的な運用のためには、UAVの信頼性は障害や故障の常時監視によって保証されなければならない。
本稿では,信号処理と機械学習を利用して,包括的振動解析データを分析し,ローターブレードの欠陥の有無を判定する。
論文 参考訳（メタデータ） (2024-04-24T13:50:27Z) - Fine-Tuned Language Models Generate Stable Inorganic Materials as Text [57.01994216693825]
テキストエンコードされた原子構造データに基づく微調整された大規模言語モデルは、実装が簡単で信頼性が高い。
我々の最強モデルは、CDVAEの約2倍の速度で準安定であると予測された物質を生成することができる。
テキストプロンプト固有の柔軟性のため、我々のモデルは安定物質を無条件に生成するために同時に使用することができる。
論文 参考訳（メタデータ） (2024-02-06T20:35:28Z) - Latent Conservative Objective Models for Data-Driven Crystal Structure
Prediction [62.36797874900395]
計算化学において、結晶構造予測は最適化問題である。
この問題に対処する1つのアプローチは、密度汎関数理論(DFT)に基づいてシミュレータを構築し、続いてシミュレーションで探索を実行することである。
我々は,LCOM(最近の保守的客観モデル)と呼ばれる我々の手法が,構造予測の成功率の観点から,最も優れたアプローチと同等に機能することを示す。
論文 参考訳（メタデータ） (2023-10-16T04:35:44Z) - Depth analysis of battery performance based on a data-driven approach [5.778648596769691]
容量の減少は、細胞の応用における最も難解な問題の1つである。
サイクルを通してのセルの容量変化を機械学習技術を用いて予測する。
論文 参考訳（メタデータ） (2023-08-30T08:15:27Z) - Toward High-Performance Energy and Power Battery Cells with Machine
Learning-based Optimization of Electrode Manufacturing [61.27691515336054]
本研究では,所望のバッテリ適用条件に対する高性能電極の課題に対処する。
本稿では、電気化学性能の2目的最適化のための決定論的機械学習(ML)支援パイプラインによって支援される強力なデータ駆動アプローチを提案する。
以上の結果から,スラリー中の固形物の中間値とカレンダリング度を併用した高活性物質が最適電極となることが示唆された。
論文 参考訳（メタデータ） (2023-07-07T13:48:50Z) - 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) - Nonintrusive Uncertainty Quantification for automotive crash problems
with VPS/Pamcrash [0.0]
サロゲートモデル(メタモデル)はモンテカルロプロセスの計算コストを劇的に削減できる。
カーネル主成分分析(kPCA)はモデル結果記述の簡略化に有効である。
ベンチマーククラッシュテストは、メタモデルとkPCAを組み合わせる効率を示すために使用される。
論文 参考訳（メタデータ） (2021-02-15T16:59:39Z) - 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) - Learning Composable Energy Surrogates for PDE Order Reduction [28.93892833892805]
パラメトリックなモジュラー構造を用いてコンポーネントレベルのサロゲートを学習し、より安価な高忠実度シミュレーションを実現する。
ニューラルネットワークを用いて、所定の境界条件で格納されたポテンシャルエネルギーをモデル化する。
構成可能なエネルギーサロゲートは、コンポーネント境界の縮小に基づくシミュレーションを可能にする。
論文 参考訳（メタデータ） (2020-05-13T19:41:24Z) - Modular Simulation Framework for Process Variation Analysis of
MRAM-based Deep Belief Networks [2.0222827433041535]
Magnetic Random-Access Memory (MRAM)ベースのpビットニューロモルフィックコンピューティングデバイスは、Boltzmann Machines (RBMs) における機械学習操作をコンパクトかつ効率的に実現する手段として、関心が高まりつつある。
活性化の制限は、MRAM装置のエネルギー障壁に依存し、シグモイド関数の電圧依存性挙動に対するプロセス変動の影響を評価することが不可欠である。
ここでは、トランスポート可能なPythonスクリプトを開発し、機械学習アプリケーションの正確性に基づいてデバイス次元の変化の下で出力の変動を分析する。
論文 参考訳（メタデータ） (2020-02-03T17:20:21Z)
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。