論文の概要: Accurate battery lifetime prediction across diverse aging conditions with deep learning

• arxiv url: http://arxiv.org/abs/2310.05052v3
• Date: Fri, 24 Nov 2023 08:00:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-28 03:01:58.750379
• Title: Accurate battery lifetime prediction across diverse aging conditions with deep learning
• Title（参考訳）: ディープラーニングを用いた各種加齢環境における電池寿命予測
• Authors: Han Zhang, Yuqi Li, Shun Zheng, Ziheng Lu, Xiaofan Gui, Wei Xu, Jiang Bian
• Abstract要約: 初期のサイクルで電池の寿命を正確に予測することは、多くの下流アプリケーションと同様に、バッテリーの研究と開発に非常に価値がある。 本稿では, 多様な高齢化条件を緩和し, 低リソース環境下での効果的な学習を容易にする, 普遍的な深層学習手法を提案する。 評価のためのベンチマークが構築され、168回のサイクリング条件で5つの電極材料を利用する401個の電池セルを含んでいる。
• 参考スコア（独自算出の注目度）: 20.832988614576983
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately predicting the lifetime of battery cells in early cycles holds tremendous value for battery research and development as well as numerous downstream applications. This task is rather challenging because diverse conditions, such as electrode materials, operating conditions, and working environments, collectively determine complex capacity-degradation behaviors. However, current prediction methods are developed and validated under limited aging conditions, resulting in questionable adaptability to varied aging conditions and an inability to fully benefit from historical data collected under different conditions. Here we introduce a universal deep learning approach that is capable of accommodating various aging conditions and facilitating effective learning under low-resource conditions by leveraging data from rich conditions. Our key finding is that incorporating inter-cell feature differences, rather than solely considering single-cell characteristics, significantly increases the accuracy of battery lifetime prediction and its cross-condition robustness. Accordingly, we develop a holistic learning framework accommodating both single-cell and inter-cell modeling. A comprehensive benchmark is built for evaluation, encompassing 401 battery cells utilizing 5 prevalent electrode materials across 168 cycling conditions. We demonstrate remarkable capabilities in learning across diverse aging conditions, exclusively achieving 10% prediction error using the first 100 cycles, and in facilitating low-resource learning, almost halving the error of single-cell modeling in many cases. More broadly, by breaking the learning boundaries among different aging conditions, our approach could significantly accelerate the development and optimization of lithium-ion batteries.
• Abstract（参考訳）: 初期のサイクルで電池の寿命を正確に予測することは、多くの下流アプリケーションと同様に、バッテリーの研究と開発に非常に価値がある。 電極材料、運転条件、作業環境など様々な条件が複雑な容量分解挙動を総合的に決定するので、この課題はかなり困難である。 しかし、現在の予測手法は、限られた老化条件下で開発・検証され、様々な老化条件への適合性に疑問が持たれ、異なる条件下で収集された履歴データから完全に恩恵を受けることができない。 本稿では,様々な老化条件を適応させ,豊かな条件からのデータを活用することで,低リソース条件下での効果的な学習を促進する,汎用的な深層学習手法を提案する。 私たちの重要な発見は、単一セル特性のみを考慮せず、セル間特徴の差異を組み込むことで、バッテリー寿命予測の精度とクロスコンディションロバスト性が著しく向上することです。 そこで我々は,シングルセルとセル間モデリングを併用した総合学習フレームワークを開発した。 評価のための総合的なベンチマークが構築され、168回のサイクリング条件で5つの電極材料を利用する401個の電池セルを含んでいる。 老化条件をまたいだ学習において,最初の100サイクルで10%の予測誤差を排他的に達成し,低リソースの学習を促進することで,多くの場合において単細胞モデリングの誤差をほぼ半減する能力を示す。 より広い意味では、異なる老化条件間で学習境界を破ることで、リチウムイオン電池の開発と最適化を著しく加速することができる。

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)
• DiffBatt: A Diffusion Model for Battery Degradation Prediction and Synthesis [0.7342676110939172]
  本稿では,電池劣化予測と合成のための新しい汎用モデルDiffBattを紹介する。 老化挙動の不確実性を捉える確率モデルと、バッテリー劣化をシミュレートする生成モデルとして機能する。 すべてのデータセットの平均RMSEは196サイクルであり、他のモデルよりも優れ、より優れた一般化性を示す。
  論文  参考訳（メタデータ） (2024-10-31T12:53:53Z)
• Generating Multi-Modal and Multi-Attribute Single-Cell Counts with CFGen [76.02070962797794]
  マルチモーダル単細胞数に対するフローベース条件生成モデルであるセルフロー・フォー・ジェネレーションを提案する。 本研究は, 新規な生成タスクを考慮に入れた上で, 重要な生物学的データ特性の回復性の向上を示唆するものである。
  論文  参考訳（メタデータ） (2024-07-16T14:05:03Z)
• Generating Comprehensive Lithium Battery Charging Data with Generative AI [24.469319419012745]
  本研究では、生成AIモデルの条件として、EOL(End of Life)とECL(Equivalent Cycle Life)を紹介する。 CVAEモデルに埋め込み層を組み込むことにより, RCVAE(Refined Conditional Variational Autoencoder)を開発した。 準ビデオ形式にプリプロセッシングすることで、電圧、電流、温度、充電容量を含む電気化学データの総合的な合成を実現する。 この方法は、リチウム電池データの人工合成のための新しい研究領域を開拓する、包括的な電気化学データセットを提供する。
  論文  参考訳（メタデータ） (2024-04-11T09:08:45Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• 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)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• 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)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• 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。

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。