論文の概要: Chemistry-aware battery degradation prediction under simulated real-world cyclic protocols

• arxiv url: http://arxiv.org/abs/2504.03701v1
• Date: Tue, 25 Mar 2025 07:01:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-13 06:52:53.568795
• Title: Chemistry-aware battery degradation prediction under simulated real-world cyclic protocols
• Title（参考訳）: シミュレートされた実世界のサイクリックプロトコルによる化学対応型電池劣化予測
• Authors: Yuqi Li, Han Zhang, Xiaofan Gui, Zhao Chen, Yu Li, Xiwen Chi, Quan Zhou, Shun Zheng, Ziheng Lu, Wei Xu, Jiang Bian, Liquan Chen, Hong Li,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 30.126655904719065
• License:
• Abstract: Battery degradation is governed by complex and randomized cyclic conditions, yet existing modeling and prediction frameworks usually rely on rigid, unchanging protocols that fail to capture real-world dynamics. The stochastic electrical signals make such prediction extremely challenging, while, on the other hand, they provide abundant additional information, such as voltage fluctuations, which may probe the degradation mechanisms. Here, we present chemistry-aware battery degradation prediction under dynamic conditions with machine learning, which integrates hidden Markov processes for realistic power simulations, an automated batch-testing system that generates a large electrochemical dataset under randomized conditions, an interfacial chemistry database derived from high-throughput X-ray photoelectron spectroscopy for mechanistic probing, and a machine learning model for prediction. By automatically constructing a polynomial-scale feature space from irregular electrochemical curves, our model accurately predicts both battery life and critical knee points. This feature space also predicts the composition of the solid electrolyte interphase, revealing six distinct failure mechanisms-demonstrating a viable approach to use electrical signals to infer interfacial chemistry. This work establishes a scalable and adaptive framework for integrating chemical engineering and data science to advance noninvasive diagnostics and optimize processes for more durable and sustainable energy storage technologies.
• Abstract（参考訳）: バッテリー劣化は複雑でランダムな循環条件によって制御されるが、既存のモデリングおよび予測フレームワークは通常、現実のダイナミクスを捉えない厳密で変化のないプロトコルに依存している。 確率的な電気信号はそのような予測を極めて困難にし、一方、電圧変動などの付加的な情報を提供し、劣化機構を探索する。 本稿では,現実的な電力シミュレーションのための隠れマルコフプロセスと,ランダムな条件下で大規模な電気化学データセットを生成する自動バッチテストシステムと,機械的探査のための高出力X線光電子分光法から導かれた界面化学データベースと,予測のための機械学習モデルとを併用した,動的条件下での化学対応型電池劣化予測について述べる。 不規則な電気化学曲線から多項式スケールの特徴空間を自動構築することにより、我々はバッテリー寿命と臨界膝点の両方を正確に予測する。 この特徴空間はまた、固体電解質間相の構成を予測し、界面化学を推測するために電気信号を使用するための6つの障害機構を実証する。 この研究は、化学工学とデータサイエンスを統合するためのスケーラブルで適応的なフレームワークを確立し、非侵襲的な診断を進め、より耐久性があり持続可能なエネルギー貯蔵技術のためにプロセスを最適化する。

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)
• 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)
• 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)
• 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)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• 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)
• Accessing the topological Mott insulator in cold atom quantum simulators with realistic Rydberg dressing [58.720142291102135]
  本稿では, コールド・ライドバーグ型原子を用いた光学格子の量子シミュレーションの現実的シナリオについて検討する。 本研究では, 平均場近似において, 半次および非共役充填時の位相図の詳細な解析を行う。 さらに、平均場近似における温度に対する相の安定性について検討する。
  論文  参考訳（メタデータ） (2022-03-28T14:55:28Z)
• AutoMat: Accelerated Computational Electrochemical systems Discovery [0.7865939710072847]
  大規模な電化は気候危機に対処するために不可欠であるが、化学産業と輸送の両方を完全電気化するためには、いくつかの科学的および技術的課題が残っている。 新しい電気化学材料は重要だが、その開発は人間の時間集約的な実験とエラー、計算コストのかかる第一原理、メソスケール、連続体シミュレーションに大きく依存している。 本稿では,第1原理から連続的なデバイスモデリングに至るまで,シミュレーションの自動入力生成とシミュレーション管理の両方を導入することで,これらの計算ステップを高速化する自動ワークフローであるAutoMatを提案する。
  論文  参考訳（メタデータ） (2020-11-03T20:45:29Z)
• 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)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)

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。