論文の概要: Machine Learning based prediction of Vanadium Redox Flow Battery temperature rise under different charge-discharge conditions

• arxiv url: http://arxiv.org/abs/2404.17284v1
• Date: Fri, 26 Apr 2024 09:40:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-29 13:34:31.358913
• Title: Machine Learning based prediction of Vanadium Redox Flow Battery temperature rise under different charge-discharge conditions
• Title（参考訳）: 異なる電荷放電条件下でのバナジウムレドックスフロー電池温度上昇の機械学習による予測
• Authors: Anirudh Narayan D, Akshat Johar, Divye Kalra, Bhavya Ardeshna, Ankur Bhattacharjee,
• Abstract要約: 機械学習(ML)によるバナジウムレドックスフロー電池(VRFB)の熱挙動の予測が初めて実証された。 XGBoostは99%の精度で予測できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of battery temperature rise is very essential for designing an efficient thermal management scheme. In this paper, machine learning (ML) based prediction of Vanadium Redox Flow Battery (VRFB) thermal behavior during charge-discharge operation has been demonstrated for the first time. Considering different currents with a specified electrolyte flow rate, the temperature of a kW scale VRFB system is studied through experiments. Three different ML algorithms; Linear Regression (LR), Support Vector Regression (SVR) and Extreme Gradient Boost (XGBoost) have been used for the prediction work. The training and validation of ML algorithms have been done by the practical dataset of a 1kW 6kWh VRFB storage under 40A, 45A, 50A and 60A charge-discharge currents and 10 L min-1 of flow rate. A comparative analysis among the ML algorithms is done in terms of performance metrics such as correlation coefficient (R2), mean absolute error (MAE) and root mean square error (RMSE). It is observed that XGBoost shows the highest accuracy in prediction of around 99%. The ML based prediction results obtained in this work can be very useful for controlling the VRFB temperature rise during operation and act as indicator for further development of an optimized thermal management system.
• Abstract（参考訳）: 電池温度上昇の正確な予測は, 効率的な熱管理手法の設計に不可欠である。 本稿では,Vanadium Redox Flow Battery (VRFB) の熱的挙動を機械学習で予測した。 特定の電解質流量の異なる電流を考慮すると、kWスケールのVRFB系の温度は実験によって測定される。 リニア回帰(LR)、サポートベクトル回帰(SVR)、エクストリーム勾配ブースト(XGBoost)の3つの異なるMLアルゴリズムが予測作業に使用されている。 MLアルゴリズムのトレーニングと検証は、40A, 45A, 50A, 60Aのチャージ放電電流と10L min-1の流量で1kW 6kWh VRFBストレージの実用的なデータセットを用いて行われた。 MLアルゴリズムの比較分析は、相関係数(R2)、平均絶対誤差(MAE)、根平均二乗誤差(RMSE)などの性能指標を用いて行われる。 XGBoostは99%の精度で予測できる。 本研究で得られたMLに基づく予測結果は,動作中のVRFB温度上昇を制御する上で非常に有用であり,最適化熱管理システムのさらなる開発のための指標として機能する。

関連論文リスト

• Calibrating Language Models with Adaptive Temperature Scaling [58.056023173579625]
  本稿では,各トークンの温度スケーリングパラメータを予測するポストホックキャリブレーション法であるAdaptive Temperature Scaling (ATS)を紹介する。 ATSは、以前のキャリブレーション法と比較して、3つの下流自然言語評価ベンチマークで10-50%以上のキャリブレーションを改善する。
  論文  参考訳（メタデータ） (2024-09-29T22:54:31Z)
• Uncertainty-Aware Calibration of a Hot-Wire Anemometer With Gaussian Process Regression [0.0]
  本研究の目的は、空気温度の変化による低コストのホットワイヤ式アニメーターの精度の低下を克服することである。 空気温度を考慮した熱線式風速計の校正を行うことにより、風速を典型的な環境温度の範囲で推定することができる。
  論文  参考訳（メタデータ） (2024-01-16T22:01:24Z)
• Pre-insertion resistors temperature prediction based on improved WOA-SVR [3.5738896126578537]
  高電圧回路ブレーカ内のプレ絶縁抵抗(PIR)は、電流が流れるときにジュール熱を発生させることによって、臨界成分でありウォームアップする。 本研究は、有限要素シミュレーション手法と、改良された鯨最適化アルゴリズム(IWOA)アプローチにより最適化されたサポートベクトル回帰(SVR)を組み合わせる。
  論文  参考訳（メタデータ） (2024-01-07T14:24:04Z)
• A machine learning approach to the prediction of heat-transfer coefficients in micro-channels [4.724825031148412]
  2相熱伝達係数(HTC)の正確な予測は、コンパクト熱交換器の最適設計と運転の鍵となる。 マルチ出力ガウスプロセス回帰 (GPR) を用いて, マイクロチャネル内のHTCを, 質量流量, 熱流束, システム圧力, チャネル径, 長さの関数として推定する。
  論文  参考訳（メタデータ） (2023-05-28T15:48:01Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• Predicting Defects in Laser Powder Bed Fusion using in-situ Thermal Imaging Data and Machine Learning [0.0]
  レーザー粉末層融合過程における局所熱履歴の変化は微視的欠陥を引き起こす可能性がある。 本研究では, LPBFステンレス鋼材料の微細孔率を予測するため, その場熱画像データを用いた機械学習(ML)モデルを開発した。
  論文  参考訳（メタデータ） (2021-12-16T21:25:16Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• 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)
• Machine learning pipeline for battery state of health estimation [3.0238880199349834]
  我々は,バッテリ容量のフェードを推定するための機械学習パイプラインの設計と評価を行う。 パイプラインは、2つのパラメトリックおよび2つの非パラメトリックアルゴリズムを用いて、関連する信頼区間で電池SOHを推定する。 高速充電プロトコルの下で動作しているセルにデプロイすると、最良のモデルでは、ルート平均2乗誤差が0.45%に達する。
  論文  参考訳（メタデータ） (2021-02-01T13:50:56Z)
• Physics-Informed Gaussian Process Regression for Probabilistic States Estimation and Forecasting in Power Grids [67.72249211312723]
  電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。 PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。 提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
  論文  参考訳（メタデータ） (2020-10-09T14:18:31Z)
• 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。