論文の概要: Residual Connection-Enhanced ConvLSTM for Lithium Dendrite Growth Prediction

• arxiv url: http://arxiv.org/abs/2506.17756v1
• Date: Sat, 21 Jun 2025 16:27:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.567964
• Title: Residual Connection-Enhanced ConvLSTM for Lithium Dendrite Growth Prediction
• Title（参考訳）: リチウムデンドライト成長予測のための残留結合強化ConvLSTM
• Authors: Hosung Lee, Byeongoh Hwang, Dasan Kim, Myungjoo Kang,
• Abstract要約: リチウムデンドライトの成長は、充電可能な電池の性能と安全性に大きな影響を及ぼす。 本研究では,デンドライト成長パターンの予測モデルを提案し,精度と計算効率を向上した。
• 参考スコア（独自算出の注目度）: 4.8792835969814945
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The growth of lithium dendrites significantly impacts the performance and safety of rechargeable batteries, leading to short circuits and capacity degradation. This study proposes a Residual Connection-Enhanced ConvLSTM model to predict dendrite growth patterns with improved accuracy and computational efficiency. By integrating residual connections into ConvLSTM, the model mitigates the vanishing gradient problem, enhances feature retention across layers, and effectively captures both localized dendrite growth dynamics and macroscopic battery behavior. The dataset was generated using a phase-field model, simulating dendrite evolution under varying conditions. Experimental results show that the proposed model achieves up to 7% higher accuracy and significantly reduces mean squared error (MSE) compared to conventional ConvLSTM across different voltage conditions (0.1V, 0.3V, 0.5V). This highlights the effectiveness of residual connections in deep spatiotemporal networks for electrochemical system modeling. The proposed approach offers a robust tool for battery diagnostics, potentially aiding in real-time monitoring and optimization of lithium battery performance. Future research can extend this framework to other battery chemistries and integrate it with real-world experimental data for further validation
• Abstract（参考訳）: リチウムデンドライトの成長は、充電可能な電池の性能と安全性に大きな影響を与え、短い回路と容量の低下につながった。 本研究では,デンドライト成長パターンを高精度かつ計算効率良く予測するResidual Connection-Enhanced ConvLSTMモデルを提案する。 ConvLSTMに残差接続を統合することで、モデルが消滅する勾配問題を緩和し、層間の特徴保持を強化し、局所的なデンドライト成長ダイナミクスとマクロな電池挙動の両方を効果的に捕捉する。 データセットは相場モデルを用いて生成され、様々な条件下でデンドライトの進化をシミュレートした。 実験結果から,提案モデルでは最大7%の精度で平均二乗誤差(MSE)を,異なる電圧条件 (0.1V, 0.3V, 0.5V) における従来のConvLSTMと比較して有意に低減することがわかった。 このことは、電気化学系のモデリングにおける深部時空間ネットワークにおける残差接続の有効性を強調している。 提案手法はバッテリ診断のための堅牢なツールを提供し,バッテリ電池性能のリアルタイムモニタリングと最適化を支援する可能性がある。 将来の研究は、このフレームワークを他の電池化学に拡張し、実世界の実験データと統合してさらなる検証を可能にする

関連論文リスト

• Learning to fuse: dynamic integration of multi-source data for accurate battery lifespan prediction [0.0]
  本研究では,バッテリ寿命予測のためのハイブリッド学習フレームワークを提案する。 動的マルチソースデータ融合と積み重ねアンサンブル(SE)モデリングアプローチを統合する。 平均絶対誤差(MAE)は0.0058、根平均二乗誤差(RMSE)は0.0092、決定係数(R2)は0.9839である。
  論文  参考訳（メタデータ） (2025-04-25T10:24:45Z)
• 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)
• Improving Low-Fidelity Models of Li-ion Batteries via Hybrid Sparse Identification of Nonlinear Dynamics [1.5728609542259502]
  本稿では,低次リチウムイオン電池モデルの忠実度向上のためのデータインスパイアされたアプローチを提案する。 提案手法は, 遺伝的アルゴリズムとGA-stridgeとを組み合わせて, 低忠実度モデル (LFM) と高忠実度モデル (HFM) の差分を識別・補償する。 物理に基づく手法とデータ駆動方式を組み合わせたハイブリッドモデルは、ベースラインFMと比較して電圧予測誤差を著しく低減できることを示すために、異なる駆動サイクルで試験される。
  論文  参考訳（メタデータ） (2024-11-20T00:00:11Z)
• Multi-Modal and Multi-Attribute Generation of Single Cells with CFGen [76.02070962797794]
  本研究では、単一セルデータ固有の離散性を保存するフローベースの条件生成モデルであるCellFlow for Generation (CFGen)を紹介する。 CFGenは、全ゲノムマルチモーダル単一セルデータを確実に生成し、重要な生物学的データ特性の回復を改善する。
  論文  参考訳（メタデータ） (2024-07-16T14:05:03Z)
• 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)
• 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)
• 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)
• 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)
• 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。