論文の概要: Fractional Differential Equation Physics-Informed Neural Network and Its Application in Battery State Estimation

• arxiv url: http://arxiv.org/abs/2512.12285v1
• Date: Sat, 13 Dec 2025 11:11:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.200249
• Title: Fractional Differential Equation Physics-Informed Neural Network and Its Application in Battery State Estimation
• Title（参考訳）: 差分方程式物理インフォームドニューラルネットワークとその電池状態推定への応用
• Authors: Lujuan Dang, Zilai Wang,
• Abstract要約: 充電状態(SOC)はリチウムイオン電池システムの安全性、信頼性、性能の最適化を保証するために重要である。 従来のデータ駆動ニューラルネットワークモデルは、電気化学プロセスの本質的に複雑な非線形性とメモリ依存のダイナミクスを完全に特徴づけるのに苦労することが多い。 本研究では,FDIFF-PINN(Frictional Differential Equation Physics-Informed Neural Network)と呼ばれる,分数計算とディープラーニングを統合するニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 2.3977651066739374
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate estimation of the State of Charge (SOC) is critical for ensuring the safety, reliability, and performance optimization of lithium-ion battery systems. Conventional data-driven neural network models often struggle to fully characterize the inherent complex nonlinearities and memory-dependent dynamics of electrochemical processes, significantly limiting their predictive accuracy and physical interpretability under dynamic operating conditions. To address this challenge, this study proposes a novel neural architecture termed the Fractional Differential Equation Physics-Informed Neural Network (FDIFF-PINN), which integrates fractional calculus with deep learning. The main contributions of this paper include: (1) Based on a fractional-order equivalent circuit model, a discretized fractional-order partial differential equation is constructed. (2) Comparative experiments were conducted using a dynamic charge/discharge dataset of Panasonic 18650PF batteries under multi-temperature conditions (from -10$^{\circ}$C to 20$^{\circ}$C).
• Abstract（参考訳）: リチウムイオン電池システムの安全性、信頼性、性能の最適化を確保するためには、電荷状態(SOC)の正確な推定が重要である。 従来のデータ駆動ニューラルネットワークモデルは、しばしば電気化学プロセスの固有の複雑な非線形性とメモリ依存のダイナミクスを完全に特徴づけるのに苦労し、その予測精度と動的操作条件下での物理的解釈可能性を大幅に制限する。 この課題に対処するために、分数計算とディープラーニングを統合するFDIFF-PINNと呼ばれる新しいニューラルネットワークを提案する。 1)分数次等価回路モデルに基づいて分数次偏微分方程式を構築する。 2) 多温度環境下でのパナソニック18650PF電池の動的電荷/放電データセット(10$^{\circ}$Cから20$^{\circ}$C)を用いて比較実験を行った。

関連論文リスト

• Fractional Spike Differential Equations Neural Network with Efficient Adjoint Parameters Training [63.3991315762955]
  スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンからインスピレーションを得て、脳に似た計算の現実的なモデルを作成する。 既存のほとんどのSNNは、マルコフ特性を持つ一階常微分方程式(ODE)によってモデル化された、神経細胞膜電圧ダイナミクスの単一時間定数を仮定している。 本研究では, 膜電圧およびスパイク列車の長期依存性を分数次力学により捉えるフラクタルSPIKE微分方程式ニューラルネットワーク (fspikeDE) を提案する。
  論文  参考訳（メタデータ） (2025-07-22T18:20:56Z)
• Universal Differential Equations for Scientific Machine Learning of Node-Wise Battery Dynamics in Smart Grids [0.0]
  科学機械学習(SciML)の強力な枠組みとして、普遍微分方程式(UDE)が登場した。 この研究は、ニューラルネットワーク残基を物理的にインスパイアされたバッテリODEに埋め込むことで、ノード固有のバッテリ進化を学習するためのUDEベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2025-06-09T22:24:55Z)
• KO: Kinetics-inspired Neural Optimizer with PDE Simulation Approaches [45.173398806932376]
  本稿では、運動理論と偏微分方程式(PDE)シミュレーションにインスパイアされた新しい神経勾配であるKOを紹介する。 我々は、ネットワークパラメータの力学を、運動原理によって支配される粒子系の進化として再想像する。 この物理駆動のアプローチは、パラメータ凝縮の現象を緩和し、最適化中のパラメータの多様性を本質的に促進する。
  論文  参考訳（メタデータ） (2025-05-20T18:00:01Z)
• Accurate Ab-initio Neural-network Solutions to Large-Scale Electronic Structure Problems [52.19558333652367]
  有限範囲埋め込み(FiRE)を高精度なアブ・イニシアチブ電子構造計算に応用する。 FiREは、ニューラルネットワークの変異モンテカルロ(NN-VMC)の複雑さを$sim ntextel$, the number of electronsによって低減する。 バイオケミカル化合物や有機金属化合物など,様々な課題に対して,本手法の精度を検証した。
  論文  参考訳（メタデータ） (2025-04-08T14:28:54Z)
• 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 Posteriori Evaluation of a Physics-Constrained Neural Ordinary Differential Equations Approach Coupled with CFD Solver for Modeling Stiff Chemical Kinetics [4.125745341349071]
  我々は,学習中の損失関数に直接物質保存制約を組み込むことで,硬質化学反応学のためのニューラルネットワークフレームワークを拡張した。 これにより、総質量と元素質量が保存されることが保証される。
  論文  参考訳（メタデータ） (2023-11-22T22:40:49Z)
• MINN: Learning the dynamics of differential-algebraic equations and application to battery modeling [2.1303885995425635]
  モデル統合ニューラルネットワーク(MINN)と呼ばれる新しい機械学習アーキテクチャを提案する。 MINNは偏微分代数方程式(PDAE)からなる一般自律系または非自律系の物理に基づくダイナミクスを学ぶ 提案したニューラルネットワークアーキテクチャを用いてリチウムイオン電池の電気化学的ダイナミクスをモデル化する。
  論文  参考訳（メタデータ） (2023-04-27T09:11:40Z)
• 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)
• Modified Gaussian Process Regression Models for Cyclic Capacity Prediction of Lithium-ion Batteries [5.663192900261267]
  本稿では,リチウムイオン電池の容量予測のための機械学習によるデータ駆動モデルの開発について述べる。 開発モデルは, 種々のサイクリングパターンを有する酸化ニッケル (MCN) リチウムイオン電池と比較した。
  論文  参考訳（メタデータ） (2020-12-31T19:05:27Z)
• Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
  偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。 最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。 偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。 本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
  論文  参考訳（メタデータ） (2020-09-08T13:26:51Z)

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。