論文の概要: Fixed Point Neural Acceleration and Inverse Surrogate Model for Battery Parameter Identification

• arxiv url: http://arxiv.org/abs/2510.24135v1
• Date: Tue, 28 Oct 2025 07:20:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.825595
• Title: Fixed Point Neural Acceleration and Inverse Surrogate Model for Battery Parameter Identification
• Title（参考訳）: 電池パラメータ同定のための固定点ニューラル加速度と逆代理モデル
• Authors: Hojin Cheon, Hyeongseok Seo, Jihun Jeon, Wooju Lee, Dohyun Jeong, Hongseok Kim,
• Abstract要約: 電気化学電池モデルのパラメータ同定のためのディープラーニングに基づくフレームワークを提案する。 提案フレームワークは, 単一粒子モデルのニューラルサロゲートモデルと電解質 (NeuralSPMe) と深層学習に基づく固定点反復法を組み合わせたものである。
• 参考スコア（独自算出の注目度）: 5.094264803596951
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The rapid expansion of electric vehicles has intensified the need for accurate and efficient diagnosis of lithium-ion batteries. Parameter identification of electrochemical battery models is widely recognized as a powerful method for battery health assessment. However, conventional metaheuristic approaches suffer from high computational cost and slow convergence, and recent machine learning methods are limited by their reliance on constant current data, which may not be available in practice. To overcome these challenges, we propose deep learning-based framework for parameter identification of electrochemical battery models. The proposed framework combines a neural surrogate model of the single particle model with electrolyte (NeuralSPMe) and a deep learning-based fixed-point iteration method. NeuralSPMe is trained on realistic EV load profiles to accurately predict lithium concentration dynamics under dynamic operating conditions while a parameter update network (PUNet) performs fixed-point iterative updates to significantly reduce both the evaluation time per sample and the overall number of iterations required for convergence. Experimental evaluations demonstrate that the proposed framework accelerates the parameter identification by more than 2000 times, achieves superior sample efficiency and more than 10 times higher accuracy compared to conventional metaheuristic algorithms, particularly under dynamic load scenarios encountered in practical applications.
• Abstract（参考訳）: 電気自動車の急速な拡大により、リチウムイオン電池の正確かつ効率的な診断の必要性が高まっている。 電気化学バッテリモデルのパラメータ同定は、バッテリ健康評価の強力な方法として広く認識されている。 しかし, 従来のメタヒューリスティック手法は計算コストが高く, 収束が遅いため, 最近の機械学習手法は, 実際に利用できないような一定電流データに依存しているため, 制限されている。 これらの課題を克服するために,電気化学電池モデルのパラメータ同定のためのディープラーニングに基づくフレームワークを提案する。 提案フレームワークは, 単一粒子モデルのニューラルサロゲートモデルと電解質 (NeuralSPMe) と深層学習に基づく固定点反復法を組み合わせたものである。 NeuralSPMeはリアルなEV負荷プロファイルに基づいてトレーニングされ、動的動作条件下でのリチウム濃度の動態を正確に予測し、パラメータ更新ネットワーク(PUNet)は固定点反復更新を行い、サンプル毎の評価時間と収束に必要な全イテレーション数を著しく削減する。 実験により,提案手法は2000倍以上のパラメータ同定を高速化し,従来のメタヒューリスティックアルゴリズムよりも10倍以上の精度で試料効率を向上することが示された。

関連論文リスト

• SeqBattNet: A Discrete-State Physics-Informed Neural Network with Aging Adaptation for Battery Modeling [0.0]
  本稿では,電池モデルに老化適応を組み込んだ離散状態PINNであるSeqBattNetを提案する。 モデルは3つの基本的なバッテリパラメータしか必要とせず、単一のセルからのデータに基づいてトレーニングすることで、堅牢なパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-09-22T11:33:17Z)
• Real-Time Optimal Design of Experiment for Parameter Identification of Li-Ion Cell Electrochemical Model [1.4843690728082002]
  本稿では,LBセルに印加される電流プロファイルを動的に調整し,電気化学モデルのパラメータ識別性を最適化する強化学習に基づくアプローチについて述べる。 提案するフレームワークはハードウェア・イン・ザ・ループ(HIL)セットアップを用いてリアルタイムに実装され,RL設計戦略を評価するための信頼性の高いテストベッドとして機能する。
  論文  参考訳（メタデータ） (2025-04-22T04:25:50Z)
• On-site estimation of battery electrochemical parameters via transfer learning based physics-informed neural network approach [0.0]
  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。
  論文  参考訳（メタデータ） (2025-03-28T13:06:41Z)
• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。 第一原理計算では,10種中8種が室温で超イオン性であることが確認された。 本手法は, 機械学習電位によって駆動される分子動力学と比較して約50倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• 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)
• Learning battery model parameter dynamics from data with recursive Gaussian process regression [0.0]
  本稿では,データ駆動とモデル駆動を併用したハイブリッド手法を提案する。 具体的には、状態、動作条件、寿命の関数としてモデルパラメータを推定するベイズ的データ駆動手法であるガウス的プロセス回帰を実証する。 その結果, 実測データと実測データの両方において, 電池容量と内部抵抗の正確な推定値, 予測値などの有効性が示された。
  論文  参考訳（メタデータ） (2023-04-26T16:40:34Z)
• 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)
• 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)

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。