論文の概要: Flexible Parallel Neural Network Architecture Model for Early Prediction
of Lithium Battery Life
- arxiv url: http://arxiv.org/abs/2401.16102v1
- Date: Mon, 29 Jan 2024 12:20:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 15:05:11.610086
- Title: Flexible Parallel Neural Network Architecture Model for Early Prediction
of Lithium Battery Life
- Title（参考訳）: リチウム電池寿命予測のためのフレキシブル並列ニューラルネットワークアーキテクチャモデル
- Authors: Lidang Jiang, Zhuoxiang Li, Changyan Hu, Qingsong Huang, Ge He
- Abstract要約: 電池寿命の早期予測(EPBL)は、リチウム電池の効率を高め、寿命を延ばすために不可欠である。
固定アーキテクチャを持つ従来のモデルは、異なるEPBLタスクにおける多様なデータ分散のために、不適合や過度に適合する問題にしばしば遭遇する。
InceptionBlock,3D畳み込みニューラルネットワーク(CNN),2D CNN,デュアルストリームネットワークを含む,フレキシブル並列ニューラルネットワーク(FPNN)の解釈可能なディープラーニングモデルを提案する。
提案モデルでは,3次元CNNを用いて映像のようなフォーマットデータから電気化学的特徴を効果的に抽出し,高度なマルチスケール特徴抽象化を実現する。
- 参考スコア（独自算出の注目度）: 0.8530934084017966
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The early prediction of battery life (EPBL) is vital for enhancing the
efficiency and extending the lifespan of lithium batteries. Traditional models
with fixed architectures often encounter underfitting or overfitting issues due
to the diverse data distributions in different EPBL tasks. An interpretable
deep learning model of flexible parallel neural network (FPNN) is proposed,
which includes an InceptionBlock, a 3D convolutional neural network (CNN), a 2D
CNN, and a dual-stream network. The proposed model effectively extracts
electrochemical features from video-like formatted data using the 3D CNN and
achieves advanced multi-scale feature abstraction through the InceptionBlock.
The FPNN can adaptively adjust the number of InceptionBlocks to flexibly handle
tasks of varying complexity in EPBL. The test on the MIT dataset shows that the
FPNN model achieves outstanding predictive accuracy in EPBL tasks, with MAPEs
of 2.47%, 1.29%, 1.08%, and 0.88% when the input cyclic data volumes are 10,
20, 30, and 40, respectively. The interpretability of the FPNN is mainly
reflected in its flexible unit structure and parameter selection: its diverse
branching structure enables the model to capture features at different scales,
thus allowing the machine to learn informative features. The approach presented
herein provides an accurate, adaptable, and comprehensible solution for early
life prediction of lithium batteries, opening new possibilities in the field of
battery health monitoring.
- Abstract（参考訳）: 電池寿命の早期予測(EPBL)は、リチウム電池の効率の向上と寿命の延長に不可欠である。
固定アーキテクチャを持つ従来のモデルは、異なるEPBLタスクにおける多様なデータ分散のために、不適合や過度に適合する問題にしばしば遭遇する。
InceptionBlock,3D畳み込みニューラルネットワーク(CNN),2D CNN,デュアルストリームネットワークを含む,フレキシブル並列ニューラルネットワーク(FPNN)の解釈可能なディープラーニングモデルを提案する。
提案モデルは,3d cnnを用いたビデオライクなフォーマットデータから電気化学的特徴を効果的に抽出し,インセプションブロックによる高度なマルチスケール特徴の抽象化を実現する。
FPNNは、EPBLの様々な複雑さのタスクを柔軟に処理するために、InceptionBlockの数を適応的に調整することができる。
MITデータセット上でのテストでは,入力周期データボリュームが10,10,30,40のとき,EPBLタスクの予測精度は2.47%,1.29%,1.08%,0.88%であった。
fpnnの解釈性は、その柔軟な単位構造とパラメータ選択に主に反映されている: その多様な分岐構造により、モデルは異なるスケールで特徴を捉えることができ、それによってマシンは、有益な特徴を学習することができる。
ここで提示されるアプローチは、リチウム電池の早期寿命予測のための正確で適応可能で理解可能なソリューションを提供し、バッテリーの健康モニタリング分野における新たな可能性を開く。
関連論文リスト
- Power Flow Analysis Using Deep Neural Networks in Three-Phase Unbalanced
Smart Distribution Grids [0.7037008937757394]
本稿では3つのディープニューラルネットワーク(DNN)を提案し,PF(Power Flow)ソリューションの予測を行った。
トレーニングデータとテストデータは、OpenDSS-MATLAB COMインターフェースを介して生成される。
提案手法の新規性は、モデルが不均衡分布格子に対するPF解を正確に予測できることである。
論文 参考訳（メタデータ） (2024-01-15T04:43:37Z) - Predicting Infant Brain Connectivity with Federated Multi-Trajectory
GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。
我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。
フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文 参考訳（メタデータ） (2024-01-01T10:20:01Z) - 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) - Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling
and Design [68.1682448368636]
本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。
異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。
出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
論文 参考訳（メタデータ） (2022-03-29T21:18:47Z) - 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) - Opportunistic Emulation of Computationally Expensive Simulations via
Deep Learning [9.13837510233406]
本稿では,APSIMモデルの機会論的モデルエミュレーションにおけるディープニューラルネットワークの利用について検討する。
我々は,APSIMモデルの4つの重要な出力(runoff, soil_loss, DINrunoff, Nleached)をエミュレートすることに重点を置いている。
論文 参考訳（メタデータ） (2021-08-25T05:57:16Z) - Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural
Networks [52.32646357164739]
最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。
提案されたSIDNNは、幅広いOPFスキームと互換性がある。
他のLearning-to-OPFスキームとシームレスに統合できる。
論文 参考訳（メタデータ） (2021-03-27T00:45:23Z) - Flexible Transmitter Network [84.90891046882213]
現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。
本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。
本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
論文 参考訳（メタデータ） (2020-04-08T06:55:12Z)
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。