論文の概要: Systematic Feature Design for Cycle Life Prediction of Lithium-Ion Batteries During Formation

• arxiv url: http://arxiv.org/abs/2410.07458v1
• Date: Wed, 9 Oct 2024 21:58:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-31 17:06:37.634283
• Title: Systematic Feature Design for Cycle Life Prediction of Lithium-Ion Batteries During Formation
• Title（参考訳）: リチウムイオン電池生成時のサイクル寿命予測のための系統的特徴設計
• Authors: Jinwook Rhyu, Joachim Schaeffer, Michael L. Li, Xiao Cui, William C. Chueh, Martin Z. Bazant, Richard D. Braatz,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.01713319594028842
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optimization of the formation step in lithium-ion battery manufacturing is challenging due to limited physical understanding of solid electrolyte interphase formation and the long testing time (~100 days) for cells to reach the end of life. We propose a systematic feature design framework that requires minimal domain knowledge for accurate cycle life prediction during formation. Two simple Q(V) features designed from our framework, extracted from formation data without any additional diagnostic cycles, achieved a median of 9.20% error for cycle life prediction, outperforming thousands of autoML models using pre-defined features. We attribute the strong performance of our designed features to their physical origins - the voltage ranges identified by our framework capture the effects of formation temperature and microscopic particle resistance heterogeneity. By designing highly interpretable features, our approach can accelerate formation research, leveraging the interplay between data-driven feature design and mechanistic understanding.
• Abstract（参考訳）: リチウムイオン電池製造における生成工程の最適化は、固体電解質間相形成の物理的理解が限られており、細胞が寿命に達するまでの長い試験時間(約100日)が困難である。 本稿では,形成期間中の正確なサイクルライフサイクル予測のために,最小限のドメイン知識を必要とする機能設計フレームワークを提案する。 追加の診断サイクルを伴わない生成データから抽出したフレームワークから設計された2つの単純なQ(V)特徴は、サイクルライフサイクル予測において中央値の9.20%の誤差を達成し、事前定義された特徴を用いた数千のオートMLモデルを上回った。 設計した特徴の強い特性は、その物理的起源に起因している。我々のフレームワークによって同定された電圧範囲は、形成温度と微視的粒子抵抗の不均一性の影響を捉えている。 高度に解釈可能な特徴を設計することにより,データ駆動型特徴設計と機械的理解の相互作用を活用することにより,構成研究を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)
• Early-Cycle Internal Impedance Enables ML-Based Battery Cycle Life Predictions Across Manufacturers [2.9117750917060574]
  電圧容量プロファイルデータにのみ依存する特徴を構成する手法は、通常、セルケミストリーをまたいだ一般化に失敗する。 本研究では、従来の電圧容量特性と直流内部抵抗(DCIR)測定を組み合わせた手法を提案する。
  論文  参考訳（メタデータ） (2024-10-05T17:04:25Z)
• Topology-Informed Machine Learning for Efficient Prediction of Solid Oxide Fuel Cell Electrode Polarization [0.0]
  機械学習は固体酸化物燃料電池電極の研究と開発を迅速化するための強力な計算ツールとして登場した。 本稿では,計算トポロジから導出した永続化表現を利用した新しい手法を提案する。 人工ニューラルネットワークは、固体酸化物燃料電池電極の偏極曲線を正確に予測することができる。
  論文  参考訳（メタデータ） (2024-10-04T19:00:37Z)
• Optimizing Cycle Life Prediction of Lithium-ion Batteries via a Physics-Informed Model [0.0]
  商業用リチウムイオン電池のサイクル寿命を正確に測定することは、性能と技術開発に不可欠である。 本稿では, 物理式と自己保持モデルを組み合わせて, 商業用リチウムリン酸リチウムグラファイトセルのライフサイクル寿命を早期サイクルデータで予測するハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2024-04-26T06:06:37Z)
• 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)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• Toward High-Performance Energy and Power Battery Cells with Machine Learning-based Optimization of Electrode Manufacturing [61.27691515336054]
  本研究では,所望のバッテリ適用条件に対する高性能電極の課題に対処する。 本稿では、電気化学性能の2目的最適化のための決定論的機械学習(ML)支援パイプラインによって支援される強力なデータ駆動アプローチを提案する。 以上の結果から,スラリー中の固形物の中間値とカレンダリング度を併用した高活性物質が最適電極となることが示唆された。
  論文  参考訳（メタデータ） (2023-07-07T13:48:50Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• CellCycleGAN: Spatiotemporal Microscopy Image Synthesis of Cell Populations using Statistical Shape Models and Conditional GANs [0.07117593004982078]
  蛍光標識細胞核の合成2D+t画像データを生成する新しい方法を開発した。 GANコンディショニングの効果を示し、セルセグメンテーションやトラッキングアプローチの訓練に容易に使用できる合成画像のセットを作成する。
  論文  参考訳（メタデータ） (2020-10-22T20:02:41Z)
• 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。