論文の概要: PINN surrogate of Li-ion battery models for parameter inference. Part I:
Implementation and multi-fidelity hierarchies for the single-particle model
- arxiv url: http://arxiv.org/abs/2312.17329v1
- Date: Thu, 28 Dec 2023 19:09:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-02 14:49:11.991029
- Title: PINN surrogate of Li-ion battery models for parameter inference. Part I:
Implementation and multi-fidelity hierarchies for the single-particle model
- Title（参考訳）: パラメータ推定のためのliイオン電池モデルのピンサロゲート
第一部:単一粒子モデルの実装と多要素階層
- Authors: Malik Hassanaly, Peter J. Weddle, Ryan N. King, Subhayan De, Alireza
Doostan, Corey R. Randall, Eric J. Dufek, Andrew M. Colclasure, Kandler Smith
- Abstract要約: この原稿は、パラメータ推論のためのLiイオン電池モデルのPINNサロゲートを導入した2部シリーズの最初のものである。
複数個のニューラルネットを複数の物理損失フィデリティでトレーニングし、サロゲート精度を大幅に向上させるマルチフィデリティ階層的トレーニングが示される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To plan and optimize energy storage demands that account for Li-ion battery
aging dynamics, techniques need to be developed to diagnose battery internal
states accurately and rapidly. This study seeks to reduce the computational
resources needed to determine a battery's internal states by replacing
physics-based Li-ion battery models -- such as the single-particle model (SPM)
and the pseudo-2D (P2D) model -- with a physics-informed neural network (PINN)
surrogate. The surrogate model makes high-throughput techniques, such as
Bayesian calibration, tractable to determine battery internal parameters from
voltage responses. This manuscript is the first of a two-part series that
introduces PINN surrogates of Li-ion battery models for parameter inference
(i.e., state-of-health diagnostics). In this first part, a method is presented
for constructing a PINN surrogate of the SPM. A multi-fidelity hierarchical
training, where several neural nets are trained with multiple physics-loss
fidelities is shown to significantly improve the surrogate accuracy when only
training on the governing equation residuals. The implementation is made
available in a companion repository (https://github.com/NREL/pinnstripes). The
techniques used to develop a PINN surrogate of the SPM are extended in Part II
for the PINN surrogate for the P2D battery model, and explore the Bayesian
calibration capabilities of both surrogates.
- Abstract（参考訳）: リチウムイオン電池の経年変化を考慮したエネルギー貯蔵要求を計画・最適化するには, 電池内部状態を正確にかつ迅速に診断する技術を開発する必要がある。
本研究では、単一粒子モデル(SPM)や擬似2Dモデル(P2D)といった物理ベースのLiイオン電池モデルを、物理インフォームドニューラルネットワーク(PINN)サロゲートに置き換えることで、電池の内部状態を決定するために必要な計算資源を削減することを目的とする。
サーロゲートモデルは、ベイズ校正などの高スループット技術を用いて、電圧応答からバッテリ内部パラメータを決定することができる。
この原稿は、パラメータ推論のためのLiイオン電池モデルのPINNサロゲートを導入した2部シリーズの最初のものである。
この第1部では、SPMのPINNサロゲートを構築するための方法が提示される。
複数のニューラルネットを複数の物理損失フィデリティでトレーニングする多要素階層的トレーニングは、支配方程式残差のトレーニングのみにおいて、サロゲート精度を著しく向上させることを示す。
実装はコンパニオンリポジトリ(https://github.com/NREL/pinnstripes)で利用可能である。
SPMのPINNサロゲートの開発に使用される技術は、P2DバッテリモデルのためのPINNサロゲートのパートIIで拡張され、両方のサロゲートのベイズ校正能力を探索する。
関連論文リスト
- A Multi-Grained Symmetric Differential Equation Model for Learning
Protein-Ligand Binding Dynamics [74.93549765488103]
薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - PINN surrogate of Li-ion battery models for parameter inference. Part
II: Regularization and application of the pseudo-2D model [0.0]
擬似2D(P2D)バッテリモデルのキャリブレーションのサロゲートとして物理インフォームドニューラルネットワーク(PINN)を開発した。
パラメータ推論研究では、これらのPINNを使用してカソードLi拡散と陽極交換電流密度のスケーリングパラメータを校正する能力を強調している。
論文 参考訳（メタデータ） (2023-12-28T19:28:23Z) - Physics-informed machine learning of redox flow battery based on a
two-dimensional unit cell model [1.8147447763965252]
本稿では,全バナジウムレドックスフローバッテリの性能を予測するために,物理インフォームドニューラルネットワーク(PINN)を提案する。
数値計算の結果,PINNはセル電圧を正確に予測できるが,電位の予測は一定の変化を示す。
論文 参考訳（メタデータ） (2023-05-31T22:06:30Z) - Physics-Informed Neural Networks for Prognostics and Health Management
of Lithium-Ion Batteries [8.929862063890974]
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。
論文 参考訳（メタデータ） (2023-01-02T17:51:23Z) - Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。
本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文 参考訳（メタデータ） (2022-08-28T17:50:19Z) - Inferring electrochemical performance and parameters of Li-ion batteries
based on deep operator networks [1.8369974607582584]
Liイオン電池は複雑な物理化学システムであり、一般に入力電圧として印加電流、出力電圧として端子電圧を用いる。
我々は、基礎となる物理を制約として組み込んで、バッテリシステムのためのデータ駆動サロゲートを構築することを提案する。
論文 参考訳（メタデータ） (2022-05-06T23:55:48Z) - 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) - MoEfication: Conditional Computation of Transformer Models for Efficient
Inference [66.56994436947441]
トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。
スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。
そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
論文 参考訳（メタデータ） (2021-10-05T02:14:38Z) - 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) - Modified Gaussian Process Regression Models for Cyclic Capacity
Prediction of Lithium-ion Batteries [5.663192900261267]
本稿では,リチウムイオン電池の容量予測のための機械学習によるデータ駆動モデルの開発について述べる。
開発モデルは, 種々のサイクリングパターンを有する酸化ニッケル (MCN) リチウムイオン電池と比較した。
論文 参考訳（メタデータ） (2020-12-31T19:05:27Z) - Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned
Edge Learning Over Broadband Channels [69.18343801164741]
パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。
本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
論文 参考訳（メタデータ） (2020-10-08T15:27:50Z)
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。