論文の概要: Non-destructive Degradation Pattern Decoupling for Ultra-early Battery Prototype Verification Using Physics-informed Machine Learning

• arxiv url: http://arxiv.org/abs/2406.00276v1
• Date: Sat, 1 Jun 2024 02:43:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-06-06 07:54:19.372762
• Title: Non-destructive Degradation Pattern Decoupling for Ultra-early Battery Prototype Verification Using Physics-informed Machine Learning
• Title（参考訳）: 物理インフォームド・機械学習を用いた超早期電池プロトタイプ検証のための非破壊劣化パターンデカップリング
• Authors: Shengyu Tao, Mengtian Zhang, Zixi Zhao, Haoyang Li, Ruifei Ma, Yunhong Che, Xin Sun, Lin Su, Xiangyu Chen, Zihao Zhou, Heng Chang, Tingwei Cao, Xiao Xiao, Yaojun Liu, Wenjun Yu, Zhongling Xu, Yang Li, Han Hao, Xuan Zhang, Xiaosong Hu, Guangmin ZHou,
• Abstract要約: 物理インフォームド機械学習手法により,電気信号のみを用いて熱力学と運動学に関する時間分解損失を定量化し,可視化することができることを示す。 本手法は,全生涯の軌跡の予測を高速化し,非破壊的な劣化パターンのキャラクタリゼーションを可能にする。 このような進歩は、大量生産の前に欠陥のある試作機をより持続的に管理し、2060年までに1976億米ドルのスクラップ素材リサイクル市場を築き上げた。
• 参考スコア（独自算出の注目度）: 21.037251393650482
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Manufacturing complexities and uncertainties have impeded the transition from material prototypes to commercial batteries, making prototype verification critical to quality assessment. A fundamental challenge involves deciphering intertwined chemical processes to characterize degradation patterns and their quantitative relationship with battery performance. Here we show that a physics-informed machine learning approach can quantify and visualize temporally resolved losses concerning thermodynamics and kinetics only using electric signals. Our method enables non-destructive degradation pattern characterization, expediting temperature-adaptable predictions of entire lifetime trajectories, rather than end-of-life points. The verification speed is 25 times faster yet maintaining 95.1% accuracy across temperatures. Such advances facilitate more sustainable management of defective prototypes before massive production, establishing a 19.76 billion USD scrap material recycling market by 2060 in China. By incorporating stepwise charge acceptance as a measure of the initial manufacturing variability of normally identical batteries, we can immediately identify long-term degradation variations. We attribute the predictive power to interpreting machine learning insights using material-agnostic featurization taxonomy for degradation pattern decoupling. Our findings offer new possibilities for dynamic system analysis, such as battery prototype degradation, demonstrating that complex pattern evolutions can be accurately predicted in a non-destructive and data-driven fashion by integrating physics-informed machine learning.
• Abstract（参考訳）: 製造の複雑さと不確実性により、材料プロトタイプから商用バッテリーへの移行が妨げられ、品質評価にとってプロトタイプの検証が重要になった。 基本的な課題は、相互に結合した化学過程を解読して劣化パターンとバッテリー性能との定量的な関係を特徴づけることである。 ここでは, 物理インフォームド機械学習手法を用いて, 熱力学と運動学に関する時間分解損失を, 電気信号のみを用いて定量化し, 可視化することができることを示す。 本手法は, 終末点ではなく, 終末軌道の温度適応予測を高速化し, 非破壊劣化パターンのキャラクタリゼーションを可能にする。 検証速度は25倍速く、温度の95.1%の精度を維持している。 このような進歩は、大量生産の前に欠陥のある試作機をより持続的に管理し、2060年までに1976億米ドルのスクラップ素材リサイクル市場を築き上げた。 通常の同一電池の初期製造変動の尺度として段階的に電荷受け入れを組み込むことで, 長期劣化のばらつきを即座に識別できる。 我々は、劣化パターンのデカップリングに物質非依存の成果化分類を用いて機械学習の洞察を解釈するのに、予測力があると考えている。 本研究は, 複雑なパターンの進化を非破壊的かつデータ駆動的な方法で正確に予測し, 物理インフォームド・機械学習を組み込むことにより, 動的システム解析の可能性を示すものである。

関連論文リスト

• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• State of Health Estimation of Batteries Using a Time-Informed Dynamic Sequence-Inverted Transformer [0.0]
  電池はエネルギー貯蔵システムの効率と安全性において中心的な役割を担っているが、充電サイクルが繰り返されているため、必然的に時間の経過とともに劣化する。 したがって、運用上の信頼性と安全性を確保するためには、バッテリーの状態(SoH)の正確な推定が不可欠である。 我々は新しいアーキテクチャを提案する: Time-Informed Dynamic Sequence Inverted Transformer (TIDSIT) NASAのバッテリー劣化データセットの実験結果によると、TIDSITは既存のモデルを大幅に上回り、予測誤差を50%以上削減し、SoH予測誤差を0.58%以下に維持している。
  論文  参考訳（メタデータ） (2025-07-24T11:43:46Z)
• A Reinforcement Learning Approach for Optimal Control in Microgrids [43.122212629962235]
  マイクログリッドは、エネルギー発生、貯蔵、分散に対する局所的な制御を可能にすることで、有望なソリューションを提供する。 本稿では,マイクログリッドエネルギー管理を最適化するための新しい強化学習手法を提案する。
  論文  参考訳（メタデータ） (2025-06-28T20:10:00Z)
• Explainable AI for building energy retrofitting under data scarcity [40.14307808809578]
  本研究では,人工知能(AI)と機械学習(ML)を基盤として,住宅のエネルギー効率対策を推奨する枠組みを提案する。 ラトビアをケーススタディとして、この方法論は限られたデータセット、クラス不均衡、データ不足に関連する課題に対処する。 このアプローチの評価は、データ制限を顕著に克服し、精度、リコール、F1スコアの最大54%の改善を実現していることを示している。
  論文  参考訳（メタデータ） (2025-04-08T14:00:08Z)
• Chemistry-aware battery degradation prediction under simulated real-world cyclic protocols [30.126655904719065]
  電池劣化は複雑でランダムな循環条件によって制御される。 電気信号は電圧変動などの豊富な情報を提供し、劣化機構を探査することができる。 本稿では,機械学習を用いた動的条件下での化学認識型電池劣化予測について述べる。
  論文  参考訳（メタデータ） (2025-03-25T07:01:50Z)
• Survival Analysis with Machine Learning for Predicting Li-ion Battery Remaining Useful Life [4.6033243214188415]
  本研究では、生存データ再構成、生存モデル学習、生存確率推定を統合したハイブリッド生存分析フレームワークを提案する。 提案手法は, 電池電圧時系列を経路シグネチャを用いた時間から障害データに変換する。 トヨタのバッテリとNASAのバッテリデータセットを用いて行った実験は,我々のアプローチの有効性を実証した。
  論文  参考訳（メタデータ） (2025-03-17T02:49:34Z)
• Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction [69.38041171537573]
  水質は環境の持続可能性、生態系の回復力、公衆衛生に基礎を置いている。 ディープラーニングは、大規模な水質予測と科学的洞察生成のための変革的なポテンシャルを提供する。 汚染緩和や資源配分等、高額な運用上の意思決定に広く採用されていることは、未解決の信頼性の課題によって防止されている。
  論文  参考訳（メタデータ） (2025-03-13T01:50:50Z)
• ACCEPT: Diagnostic Forecasting of Battery Degradation Through Contrastive Learning [0.0]
  この研究は、基本的なバッテリー劣化モデルを確立し、様々なバッテリータイプと運転条件の信頼性の高い予測を提供する。 我々の新しいフレームワークは、コントラスト学習を用いて、基礎となる物理劣化パラメータと観測可能な操作量との関係をマッピングする。
  論文  参考訳（メタデータ） (2025-01-17T12:13:04Z)
• 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)
• A Scientific Machine Learning Approach for Predicting and Forecasting Battery Degradation in Electric Vehicles [1.393499936476792]
  我々は,Scientific Machine Learningフレームワークを用いて,電池劣化の予測と長期予測を行う新しい手法を提案する。 我々は、予測と予測の両方が実用的な条件を反映していることを保証するために、地中真実データを組み込んだ。 我々のアプローチは、エネルギーシステムの持続可能性に貢献し、よりクリーンで責任あるエネルギーソリューションへの世界的移行を加速させる。
  論文  参考訳（メタデータ） (2024-10-18T09:57:59Z)
• Systematic Feature Design for Cycle Life Prediction of Lithium-Ion Batteries During Formation [0.01713319594028842]
  生成データから抽出したフレームワークから設計した2つの簡単なQ(V)特徴は、サイクルライフサイクル予測の9.20%の誤差を達成した。 デザインされた機能の強いパフォーマンスは、その物理的起源に起因しています。 高度に解釈可能な特徴を設計することにより,我々は形成研究を加速することができる。
  論文  参考訳（メタデータ） (2024-10-09T21:58:54Z)
• BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
  BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。 我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。 この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
  論文  参考訳（メタデータ） (2024-08-19T05:17:40Z)
• BatSort: Enhanced Battery Classification with Transfer Learning for Battery Sorting and Recycling [42.453194049264646]
  バッテリータイプ分類のための機械学習に基づくアプローチを導入し、アプリケーションにおけるデータ不足の問題に対処する。 本研究では,大規模なデータセットに最適化された既存の知識を活用するために移動学習を適用したBatSortを提案する。 実験の結果,BatSortの精度は平均92.1%,最大96.2%であった。
  論文  参考訳（メタデータ） (2024-04-08T18:05:24Z)
• UAlign: Pushing the Limit of Template-free Retrosynthesis Prediction with Unsupervised SMILES Alignment [51.49238426241974]
  本稿では,テンプレートのないグラフ・ツー・シーケンスパイプラインであるUAlignを紹介した。 グラフニューラルネットワークとトランスフォーマーを組み合わせることで、分子固有のグラフ構造をより効果的に活用することができる。
  論文  参考訳（メタデータ） (2024-03-25T03:23:03Z)
• Adapting Amidst Degradation: Cross Domain Li-ion Battery Health Estimation via Physics-Guided Test-Time Training [19.606703130917325]
  リチウムイオン電池(LIB)の健康モデリングは、安全で効率的なエネルギー管理に不可欠であり、社会経済的に重要な意味を持つ。 本稿では,劣化中の各対象データ(UTD)を連続的に使用してモデルを適応させる,実践的なテストタイムトレーニングフレームワークであるBatteryTTTを紹介する。 それぞれのUTDを完全に活用するために、BatteryTTTはPhyscics-Guided Test-Time Trainingと呼ばれる、現代のLIB固有の物理法則を自己教師付き学習に統合する。
  論文  参考訳（メタデータ） (2024-01-30T14:47:15Z)
• 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)
• Cerberus: A Deep Learning Hybrid Model for Lithium-Ion Battery Aging Estimation and Prediction Based on Relaxation Voltage Curves [7.07637687957493]
  本稿では,ディープラーニングに基づくキャパシティ老化推定と予測のためのハイブリッドモデルを提案する。 提案手法は, チャージサイクルと放電サイクルを含む新しいデータセットに対して, 様々な速度で検証する。
  論文  参考訳（メタデータ） (2023-08-15T15:07:32Z)
• HomoDistil: Homotopic Task-Agnostic Distillation of Pre-trained Transformers [49.79405257763856]
  本稿では,タスク非依存蒸留に焦点をあてる。 これは、計算コストとメモリフットプリントを小さくして、様々なタスクで簡単に微調整できるコンパクトな事前訓練モデルを生成する。 本稿では, 反復刈り込みによる新規なタスク非依存蒸留法であるHomotopic Distillation (HomoDistil)を提案する。
  論文  参考訳（メタデータ） (2023-02-19T17:37:24Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• An Energy and Carbon Footprint Analysis of Distributed and Federated Learning [42.37180749113699]
  古典的で中央集権的な人工知能(AI)手法では、生産者(センサー、マシン)からエネルギー空腹のデータセンターへデータを移動する必要がある。 このような高エネルギーコストを緩和する新たな代替手段は、デバイス間で学習タスクを効率的に分散またはフェデレートすることを提案している。 本稿では,分散学習におけるエネルギーおよび炭素フットプリントの分析のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-06-21T13:28:49Z)
• 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)
• Regularization-based Continual Learning for Fault Prediction in Lithium-Ion Batteries [0.0]
  早期の予測とバッテリーの欠陥の堅牢な理解は、製品の品質を大幅に向上させる可能性がある。 データ駆動型障害予測の現在のアプローチは、トレーニングされたプロセスの正確な結果を提供する。 継続的な学習はそのような柔軟性を約束し、学習した知識を新しいタスクに自動的に適応させることができる。
  論文  参考訳（メタデータ） (2021-07-07T16:24:18Z)
• 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。