論文の概要: EntroLnn: Entropy-Guided Liquid Neural Networks for Operando Refinement of Battery Capacity Fade Trajectories
- arxiv url: http://arxiv.org/abs/2601.06195v1
- Date: Thu, 08 Jan 2026 03:32:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-13 19:08:00.666394
- Title: EntroLnn: Entropy-Guided Liquid Neural Networks for Operando Refinement of Battery Capacity Fade Trajectories
- Title（参考訳）: EntroLnn: Entropy-Guided Liquid Neural Networks for Operando Refinement of Battery Capacity Fade Trajectories
- Authors: Wei Li, Wei Zhang, Qingyu Yan,
- Abstract要約: 本研究は,EntroLnnによる全容量フェード軌道(CFT)の網羅的改善の範囲を拡大する。
バッテリー分析において,オンライン温度場から導出されるエントロピーに基づく特徴を初めて導入する。
平均絶対誤差は CFT では 0.004577 であり,EoL 予測では 18 サイクルである。
- 参考スコア（独自算出の注目度）: 5.440491961792461
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Battery capacity degradation prediction has long been a central topic in battery health analytics, and most studies focus on state of health (SoH) estimation and end of life (EoL) prediction. This study extends the scope to online refinement of the entire capacity fade trajectory (CFT) through EntroLnn, a framework based on entropy-guided transformable liquid neural networks (LNNs). EntroLnn treats CFT refinement as an integrated process rather than two independent tasks for pointwise SoH and EoL. We introduce entropy-based features derived from online temperature fields, applied for the first time in battery analytics, and combine them with customized LNNs that model temporal battery dynamics effectively. The framework enhances both static and dynamic adaptability of LNNs and achieves robust and generalizable CFT refinement across different batteries and operating conditions. The approach provides a high fidelity battery health model with lightweight computation, achieving mean absolute errors of only 0.004577 for CFT and 18 cycles for EoL prediction. This work establishes a foundation for entropy-informed learning in battery analytics and enables self-adaptive, lightweight, and interpretable battery health prediction in practical battery management systems.
- Abstract（参考訳）: バッテリー容量の劣化予測は、長い間、バッテリーの健康分析において中心的な話題であり、ほとんどの研究は、健康状態(SoH)の推定と寿命(EoL)の予測に焦点を当てている。
本研究では,エントロピー誘導型変圧性液体ニューラルネットワーク(LNN)に基づくフレームワークであるEntroLnnを通じて,全容量フェード軌道(CFT)のオンライン改良の範囲を拡大する。
EntroLnnは、ポイントワイズSoHとEoLの2つの独立したタスクではなく、CFTリファインメントを統合プロセスとして扱う。
本稿では,オンライン温度場から導出されるエントロピーに基づく機能を導入し,バッテリ分析において初めて適用し,時間的バッテリダイナミクスを効果的にモデル化するカスタマイズLNNと組み合わせた。
このフレームワークは、LNNの静的および動的適応性を強化し、様々な電池と動作条件をまたいだ堅牢で一般化可能なCFT改善を実現する。
このアプローチは、CFTでは0.004577、EoL予測では18サイクルの平均絶対誤差を達成できる、軽量な計算を伴う高忠実度バッテリヘルスモデルを提供する。
この研究は、バッテリー分析におけるエントロピーインフォームドラーニングの基礎を確立し、実用的なバッテリー管理システムにおいて、自己適応的で、軽量で、解釈可能なバッテリヘルス予測を可能にする。
関連論文リスト
- A Lightweight Transfer Learning-Based State-of-Health Monitoring with Application to Lithium-ion Batteries in Autonomous Air Vehicles [53.158733310637295]
トランスファーラーニングは、データ豊富なソース作業条件から知識を活用するための有望なテクニックである。
従来のTL-based state-of-health(SOH)モニタリングは、ポータブルモバイルデバイスに適用すると実現不可能である。
本稿では,CITLを用いた軽量SOHモニタリング手法を提案する。
論文 参考訳（メタデータ） (2025-12-09T11:54:09Z) - Expert-Guided LLM Reasoning for Battery Discovery: From AI-Driven Hypothesis to Synthesis and Characterization [47.97016882216093]
大型言語モデル(LLM)は複雑な問題に対処するためにチェーン・オブ・シント(CoT)技術を利用する。
ドメイン知識を統合した新しいエージェントフレームワークであるChatBatteryを,材料設計におけるより効果的な推論に向けて導入する。
新規リチウムイオン電池陰極材料3種を同定,合成,特性評価し,28.8%,25.2%,18.5%の実用能力向上を実現した。
論文 参考訳（メタデータ） (2025-07-21T23:46:11Z) - Modeling Membrane Degradation in PEM Electrolyzers with Physics-Informed Neural Networks [45.32169712547367]
プロトン交換膜 (PEM) 電解器は持続可能な水素製造に重要である。
長期的な性能は膜劣化によって妨げられ、信頼性と安全性の課題を引き起こす。
従来の物理学に基づくモデルが開発され、解釈可能性を提供しているが、測定や校正が難しい多くのパラメータを必要とする。
本研究では,PEM電解器の膜劣化をモデル化するための物理インフォームドニューラルネットワーク(PINN)の最初の応用について述べる。
論文 参考訳（メタデータ） (2025-06-19T15:46:49Z) - 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) - 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) - Flexible Parallel Neural Network Architecture Model for Early Prediction
of Lithium Battery Life [0.8530934084017966]
電池寿命の早期予測(EPBL)は、リチウム電池の効率を高め、寿命を延ばすために不可欠である。
固定アーキテクチャを持つ従来のモデルは、異なるEPBLタスクにおける多様なデータ分散のために、不適合や過度に適合する問題にしばしば遭遇する。
InceptionBlock,3D畳み込みニューラルネットワーク(CNN),2D CNN,デュアルストリームネットワークを含む,フレキシブル並列ニューラルネットワーク(FPNN)の解釈可能なディープラーニングモデルを提案する。
提案モデルでは,3次元CNNを用いて映像のようなフォーマットデータから電気化学的特徴を効果的に抽出し,高度なマルチスケール特徴抽象化を実現する。
論文 参考訳（メタデータ） (2024-01-29T12:20:17Z) - PINN surrogate of Li-ion battery models for parameter inference. Part I: Implementation and multi-fidelity hierarchies for the single-particle model [0.0]
この原稿は、パラメータ推論のためのLiイオン電池モデルのPINNサロゲートを導入した2部シリーズの最初のものである。
複数個のニューラルネットを複数の物理損失フィデリティでトレーニングし、サロゲート精度を大幅に向上させるマルチフィデリティ階層的トレーニングが示される。
論文 参考訳（メタデータ） (2023-12-28T19:09:56Z) - 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)
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。