Fugu-MT 論文翻訳(概要): AI-Driven Prognostics for State of Health Prediction in Li-ion Batteries: A Comprehensive Analysis with Validation

論文の概要: AI-Driven Prognostics for State of Health Prediction in Li-ion Batteries: A Comprehensive Analysis with Validation

arxiv url: http://arxiv.org/abs/2504.05728v1
Date: Tue, 08 Apr 2025 06:58:39 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-09 13:31:04.562227
Title: AI-Driven Prognostics for State of Health Prediction in Li-ion Batteries: A Comprehensive Analysis with Validation
Title（参考訳）: リチウム電池の健康状態予測のためのAI駆動診断:検証による包括的分析
Authors: Tianqi Ding, Dawei Xiang, Tianyao Sun, YiJiashum Qi, Zunduo Zhao,
Abstract要約: 本稿では, リチウムイオン電池におけるAI駆動型健康状態予測(SoH)の総合的レビューを行う。 FFNN、LSTM、BiLSTMなど、さまざまなAIアルゴリズムの有効性を複数のデータセットで比較する。その結果, BiLSTM は平均 RMSE の 15% を LSTM と比較して高い精度で達成できた。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: This paper presents a comprehensive review of AI-driven prognostics for State of Health (SoH) prediction in lithium-ion batteries. We compare the effectiveness of various AI algorithms, including FFNN, LSTM, and BiLSTM, across multiple datasets (CALCE, NASA, UDDS) and scenarios (e.g., varying temperatures and driving conditions). Additionally, we analyze the factors influencing SoH fluctuations, such as temperature and charge-discharge rates, and validate our findings through simulations. The results demonstrate that BiLSTM achieves the highest accuracy, with an average RMSE reduction of 15% compared to LSTM, highlighting its robustness in real-world applications.
Abstract（参考訳）: 本稿では, リチウムイオン電池におけるAI駆動型健康状態予測(SoH)の総合的レビューを行う。 FFNN,LSTM,BiLSTMなどのAIアルゴリズムの有効性を,複数のデータセット(CALCE,NASA,UDDS)とシナリオ(温度や運転条件など)で比較する。さらに, 温度や電荷放出率などのSoH変動に影響を与える要因を解析し, シミュレーションによる検証を行った。その結果, BiLSTMが最も精度が高く, RMSE は LSTM に比べて15% 減少し, 実世界のアプリケーションにおけるロバストさを浮き彫りにしていることがわかった。

関連論文リスト

Battery State of Health Estimation Using LLM Framework [0.0]
本研究では,リチウムチタン酸リチウム(LTO)電池の健康状態(SoH)を推定するためのトランスフォーマーベースのフレームワークを提案する。電荷持続時間がエネルギー貯蔵の傾向に与える影響を実証し、容量変化を監視するために差分電圧解析(DVA)を適用した。我々のモデルは、平均絶対誤差(MAE)を0.87%まで低くし、様々なレイテンシメトリクスで優れた性能を達成する。
論文参考訳（メタデータ） (2025-01-30T03:55:56Z)
EVolutionary Independent DEtermiNistiC Explanation [5.127310126394387]
本稿では進化的独立決定論的説明(EVIDENCE)理論を紹介する。 EVIDENCEはブラックボックスモデルから重要な信号を抽出する決定論的、モデルに依存しない方法を提供する。 EVIDENCEの実践的応用は、医療における診断精度の向上と音声信号分析の強化である。
論文参考訳（メタデータ） (2025-01-20T12:05:14Z)
The Dual-use Dilemma in LLMs: Do Empowering Ethical Capacities Make a Degraded Utility? [54.18519360412294]
大きな言語モデル(LLM)は、安全のための有害な要求を拒否することと、ユーティリティのための正当な要求を収容することのバランスをとる必要がある。本稿では,DPO(Direct Preference Optimization)に基づくアライメントフレームワークを提案する。我々は,DeepSeek-R1をベンチマークでテストした結果を解析し,この高い評価を得たモデルがもたらす批判的倫理的懸念を明らかにする。
論文参考訳（メタデータ） (2025-01-20T06:35:01Z)
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)
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)
A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文参考訳（メタデータ） (2024-01-26T09:35:17Z)
Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文参考訳（メタデータ） (2022-07-20T07:32:02Z)
Hybrid physics-based and data-driven modeling with calibrated uncertainty for lithium-ion battery degradation diagnosis and prognosis [6.7143928677892335]
リチウムイオン電池(LIB)は今後数十年で電化を促進する鍵となる。 LIB劣化の不十分な理解は、バッテリーの耐久性と安全性を制限する重要なボトルネックである。本稿では,オンライン診断とバッテリー劣化の診断のためのハイブリッド物理とデータ駆動モデリングを提案する。
論文参考訳（メタデータ） (2021-10-25T11:14:12Z)
Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文参考訳（メタデータ） (2021-04-07T06:02:04Z)
Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文参考訳（メタデータ） (2020-09-29T21:17:16Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。