論文の概要: On-site estimation of battery electrochemical parameters via transfer learning based physics-informed neural network approach

• arxiv url: http://arxiv.org/abs/2503.22396v1
• Date: Fri, 28 Mar 2025 13:06:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-31 15:32:15.293831
• Title: On-site estimation of battery electrochemical parameters via transfer learning based physics-informed neural network approach
• Title（参考訳）: 移動学習に基づく物理インフォームドニューラルネットワークによる電池電気化学パラメータのオンサイト推定
• Authors: Josu Yeregui, Iker Lopetegi, Sergio Fernandez, Erik Garayalde, Unai Iraola,
• Abstract要約: 提案手法は,バッテリ管理システムにおけるリアルタイム実装に適した計算コストを大幅に削減する。 動作データと関連する電気化学的パラメータを効果的に推定することができた。 この手法は、標準電荷プロファイルのデータを用いて、Raspberry Piデバイスで実験的に検証される。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper presents a novel physical parameter estimation framework for on-site model characterization, using a two-phase modelling strategy with Physics-Informed Neural Networks (PINNs) and transfer learning (TL). In the first phase, a PINN is trained using only the physical principles of the single particle model (SPM) equations. In the second phase, the majority of the PINN parameters are frozen, while critical electrochemical parameters are set as trainable and adjusted using real-world voltage profile data. The proposed approach significantly reduces computational costs, making it suitable for real-time implementation on Battery Management Systems (BMS). Additionally, as the initial phase does not require field data, the model is easy to deploy with minimal setup requirements. With the proposed methodology, we have been able to effectively estimate relevant electrochemical parameters with operating data. This has been proved estimating diffusivities and active material volume fractions with charge data in different degradation conditions. The methodology is experimentally validated in a Raspberry Pi device using data from a standard charge profile with a 3.89\% relative accuracy estimating the active material volume fractions of a NMC cell with 82.09\% of its nominal capacity.
• Abstract（参考訳）: 本稿では,Physics-Informed Neural Networks (PINN) とTransfer Learning (TL) を用いた2相モデリング手法を用いて,現場モデル評価のための新しい物理パラメータ推定フレームワークを提案する。 第1段階では、PINNは単一粒子モデル(SPM)方程式の物理原理のみを用いて訓練される。 第2段階では、PINNパラメータの大部分を凍結し、臨界電気化学パラメータを実世界の電圧プロファイルデータを用いてトレーニング可能とし、調整する。 提案手法は,バッテリ管理システム(BMS)のリアルタイム実装に適した計算コストを大幅に削減する。 さらに、初期フェーズではフィールドデータを必要としないため、モデルは最小限のセットアップ要件で簡単にデプロイできる。 提案手法により,操作データと関連する電気化学パラメータを効果的に推定することができた。 これは、異なる劣化条件下で電荷データを用いて、拡散率と活性物質体積分画を推定することが証明された。 この手法は、NMCセルの活性物質体積分画を82.09倍の専門能力で推定する3.89倍の相対精度を持つ標準電荷プロファイルのデータを用いて、Raspberry Piデバイスで実験的に検証される。

関連論文リスト

• Optimizing Hyperparameters for Quantum Data Re-Uploaders in Calorimetric Particle Identification [11.099632666738177]
  本稿では,1量子ビットデータ再アップロード(QRU)量子モデルの粒子分類への応用について述べる。 このモデルは、強力な分類性能を提供しながら、最小の量子ビットを必要とする。
  論文  参考訳（メタデータ） (2024-12-16T23:10:00Z)
• Parameter Estimation in Quantum Metrology Technique for Time Series Prediction [0.0]
  本稿では,気象予測における量子計算の手法について検討する。 変動パラメータ推定による予測ポテンシャルの向上に焦点を当てる。 パラメータ分布と学習速度が予測精度に与える影響について検討した。
  論文  参考訳（メタデータ） (2024-06-12T05:55:45Z)
• Machine learning Hubbard parameters with equivariant neural networks [0.0]
  等変ニューラルネットワークに基づく機械学習モデルを提案する。 ここでは,繰り返し線形応答計算を用いて自己整合的に計算したハバードパラメータの予測を行う。 本モデルでは,Hubbard $U$および$V$パラメータの平均絶対相対誤差を平均3%,5%とする。
  論文  参考訳（メタデータ） (2024-06-04T16:21:24Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Physics-Informed Neural Networks for Material Model Calibration from Full-Field Displacement Data [0.0]
  本研究では,実環境下でのフルフィールド変位と大域力データからモデルのキャリブレーションを行うためのPINNを提案する。 拡張PINNは、実験的な1次元データと合成フルフィールド変位データの両方から材料パラメータを識別できることを実証した。
  論文  参考訳（メタデータ） (2022-12-15T11:01:32Z)
• Local manifold learning and its link to domain-based physics knowledge [53.15471241298841]
  多くの反応系では、熱化学状態空間は低次元多様体(LDM)に近く進化すると仮定される。 局所的データクラスタ(ローカルPCA)に適用されたPCAは,熱化学状態空間の固有パラメータ化を検出することができることを示す。
  論文  参考訳（メタデータ） (2022-07-01T09:06:25Z)
• 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)
• Physics-constrained deep neural network method for estimating parameters in a redox flow battery [68.8204255655161]
  バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。 そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。 また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
  論文  参考訳（メタデータ） (2021-06-21T23:42:58Z)
• 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)
• Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
  VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。 どちらの手法もエネルギーと基底状態の優れた推定値を提供する。 勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
  論文  参考訳（メタデータ） (2020-11-02T19:52:04Z)

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。