論文の概要: Insights into dendritic growth mechanisms in batteries: A combined machine learning and computational study

• arxiv url: http://arxiv.org/abs/2503.00836v1
• Date: Sun, 02 Mar 2025 10:16:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:14:22.954382
• Title: Insights into dendritic growth mechanisms in batteries: A combined machine learning and computational study
• Title（参考訳）: 電池の樹状突起成長機構に関する考察--機械学習と計算による研究
• Authors: Zirui Zhao, Junchao Xia, Si Wu, Xiaoke Wang, Guanping Xu, Yinghao Zhu, Jing Sun, Hai-Feng Li,
• Abstract要約: 充電および排出過程におけるデンドライトの過剰成長は、電池の短絡、性能の低下、サイクル寿命の低下、異常な外因性事象を引き起こす。 電池のデンドライト成長を予測する2つの異なるコンピュータモデルを開発した。
• 参考スコア（独自算出の注目度）: 8.054786363926887
• License:
• Abstract: In recent years, researchers have increasingly sought batteries as an efficient and cost-effective solution for energy storage and supply, owing to their high energy density, low cost, and environmental resilience. However, the issue of dendrite growth has emerged as a significant obstacle in battery development. Excessive dendrite growth during charging and discharging processes can lead to battery short-circuiting, degradation of electrochemical performance, reduced cycle life, and abnormal exothermic events. Consequently, understanding the dendrite growth process has become a key challenge for researchers. In this study, we investigated dendrite growth mechanisms in batteries using a combined machine learning approach, specifically a two-dimensional artificial convolutional neural network (CNN) model, along with computational methods. We developed two distinct computer models to predict dendrite growth in batteries. The CNN-1 model employs standard convolutional neural network techniques for dendritic growth prediction, while CNN-2 integrates additional physical parameters to enhance model robustness. Our results demonstrate that CNN-2 significantly enhances prediction accuracy, offering deeper insights into the impact of physical factors on dendritic growth. This improved model effectively captures the dynamic nature of dendrite formation, exhibiting high accuracy and sensitivity. These findings contribute to the advancement of safer and more reliable energy storage systems.
• Abstract（参考訳）: 近年、高エネルギー密度、低コスト、環境の回復力のために、エネルギー貯蔵と供給のための効率的で費用効率の良いソリューションとして、研究者たちはバッテリーをますます求めている。 しかし, デンドライト成長の問題は, 電池開発において大きな障害となっている。 充電および排出過程におけるデンドライトの過剰成長は、電池の短絡、電気化学的性能の低下、サイクル寿命の低下、異常な外因性事象を引き起こす。 したがって、デンドライト成長過程を理解することは、研究者にとって重要な課題となっている。 本研究では,複合機械学習手法,特に2次元人工畳み込みニューラルネットワーク(CNN)モデルと計算手法を用いた電池のデンドライト成長機構について検討した。 電池のデンドライト成長を予測する2つの異なるコンピュータモデルを開発した。 CNN-1モデルは樹状成長予測に標準的な畳み込みニューラルネットワーク技術を使用し、CNN-2はモデルの堅牢性を高めるために追加の物理パラメータを統合する。 以上の結果から,CNN-2の予測精度は有意に向上し,樹状突起の成長に及ぼす物理的因子の影響について深い知見が得られた。 この改良されたモデルは、デンドライト形成の動的性質を効果的に捉え、高い精度と感度を示す。 これらの知見は、より安全で信頼性の高いエネルギー貯蔵システムの進歩に寄与する。

関連論文リスト

• 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)
• SPikE-SSM: A Sparse, Precise, and Efficient Spiking State Space Model for Long Sequences Learning [21.37966285950504]
  スパイキングニューラルネットワーク(SNN)は、生物学的システムのスパイクベースおよびスパースの性質を活用することにより、エネルギー効率のよいソリューションを提供する。 最近の状態空間モデル(SSM)は計算効率とモデリング能力に優れる。 本研究では,SPikE-SSMと呼ばれる,スパースで高精度かつ効率的なスパイクSSMフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-07T12:20:38Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• Astromorphic Self-Repair of Neuromorphic Hardware Systems [0.8958368012475248]
  本稿では,グリア細胞の自己修復,特にアストロサイトの役割について検討する。 ハードウェア・ソフトウェアの共同設計分析は、生体形態の天体制御が、ハードウェアの現実的な欠陥を自己修復する可能性があることを明らかにしている。
  論文  参考訳（メタデータ） (2022-09-15T16:23:45Z)
• 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)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Evolving spiking neuron cellular automata and networks to emulate in vitro neuronal activity [0.0]
  我々は生体内における生体ニューロンの行動パターンをエミュレートするスパイキング神経系を生産する。 我々のモデルは、ネットワーク全体の同期レベルを生成できた。 トップパフォーマンスモデルのゲノムは、生成した活動の複雑さを決定する上で、モデル内の接続の興奮性と密度が重要な役割を果たすことを示している。
  論文  参考訳（メタデータ） (2021-10-15T17:55:04Z)
• Mapping and Validating a Point Neuron Model on Intel's Neuromorphic Hardware Loihi [77.34726150561087]
  インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。 Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。 Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
  論文  参考訳（メタデータ） (2021-09-22T16:52:51Z)
• Hyperbolic Neural Networks++ [66.16106727715061]
  ニューラルネットワークの基本成分を1つの双曲幾何モデル、すなわちポアンカーの球モデルで一般化する。 実験により, 従来の双曲成分と比較してパラメータ効率が優れ, ユークリッド成分よりも安定性と性能が優れていた。
  論文  参考訳（メタデータ） (2020-06-15T08:23:20Z)

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。