論文の概要: Probabilistic Hysteresis Factor Prediction for Electric Vehicle Batteries with Graphite Anodes Containing Silicon

• arxiv url: http://arxiv.org/abs/2603.09103v1
• Date: Tue, 10 Mar 2026 02:27:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:23.950565
• Title: Probabilistic Hysteresis Factor Prediction for Electric Vehicle Batteries with Graphite Anodes Containing Silicon
• Title（参考訳）: シリコンを含む黒鉛陽極を有する電気自動車電池の確率的ヒステリシス係数予測
• Authors: Runyao Yu, Viviana Kleine, Philipp Gromotka, Thomas Rudolf, Adrian Eisenmann, Gautham Ram Chandra Mouli, Peter Palensky, Jochen L. Cremer,
• Abstract要約: シリコングラファイトベースのアノードを持つ電池は、エネルギー密度が高く、充電性能が向上し、充電状態の推定が特に困難になる。 この研究は、シリコングラファイトアノードベースの電池を含む応用に特に重点を置いて、確率的因子予測調和のためのデータ駆動アプローチを導入している。 リトレーニング、ゼロショット予測、微調整、共同訓練により、未確認車両モデルにおける最適モデル構成の一般化性を評価する実験を行った。
• 参考スコア（独自算出の注目度）: 8.835261543419321
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Batteries with silicon-graphite-based anodes, which offer higher energy density and improved charging performance, introduce pronounced voltage hysteresis, making state-of-charge (SoC) estimation particularly challenging. Existing approaches to modeling hysteresis rely on exhaustive high-fidelity tests or focus on conventional graphite-based lithium-ion batteries, without considering uncertainty quantification or computational constraints. This work introduces a data-driven approach for probabilistic hysteresis factor prediction, with a particular emphasis on applications involving silicon-graphite anode-based batteries. A data harmonization framework is proposed to standardize heterogeneous driving cycles across varying operating conditions. Statistical learning and deep learning models are applied to assess performance in predicting the hysteresis factor with uncertainties while considering computational efficiency. Extensive experiments are conducted to evaluate the generalizability of the optimal model configuration in unseen vehicle models through retraining, zero-shot prediction, fine-tuning, and joint training. By addressing key challenges in SoC estimation, this research facilitates the adoption of advanced battery technologies. A summary page is available at: https://runyao-yu.github.io/Porsche_Hysteresis_Factor_Prediction/
• Abstract（参考訳）: シリコングラファイトをベースとしたアノードを持つ電池は、高エネルギー密度で充電性能が向上し、顕著な電圧ヒステリシスを導入し、充電状態(SoC)推定を特に困難にしている。 既存のヒステリシスのモデリング手法は、不確実な定量化や計算上の制約を考慮せずに、徹底した高忠実度試験や従来のグラファイトベースのリチウムイオン電池に焦点を当てている。 この研究は確率的ヒステリシス因子予測のためのデータ駆動型アプローチを導入し、特にシリコン-グラファイトアノード電池の応用に重点を置いている。 データ調和化フレームワークは、様々な運転条件で不均一な運転サイクルを標準化するために提案される。 統計的学習モデルと深層学習モデルは、計算効率を考慮しつつ、不確実性のあるヒステリシス因子を予測する際の性能を評価するために応用される。 リトレーニング、ゼロショット予測、微調整、共同訓練により、車両モデルにおける最適モデル構成の一般化性を評価するために、広範囲な実験を行った。 本研究は,SoC推定における重要な課題に対処することにより,電池技術の高度化を促進する。 概要ページは、https://runyao-yu.github.io/Porsche_Hysteresis_Factor_Prediction/で公開されている。

関連論文リスト

• STAR : Bridging Statistical and Agentic Reasoning for Large Model Performance Prediction [78.0692157478247]
  本稿では,知識駆動型エージェント推論を用いて,データ駆動型静的予測を橋渡しするフレームワークSTARを提案する。 STARはスコアベースとランクベースの両方の基準線を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-12T16:30:07Z)
• Augmented Physics-Based Li-ion Battery Model via Adaptive Ensemble Sparse Learning and Conformal Prediction [1.6874375111244329]
  本研究では,低次リチウムイオン電池モデルの精度を高める適応アンサンブルスパース同定(AESI)フレームワークを提案する。 このアプローチは、拡張単一粒子モデル(ESPM)と進化的アンサンブルスパース学習戦略を統合し、堅牢なハイブリッドモデルを構築する。 種々の動作条件による評価の結果,ハイブリッドモデル(ESPM + AESI)は電圧予測精度を向上し,平均2乗誤差を最大46%削減できることがわかった。
  論文  参考訳（メタデータ） (2025-07-01T01:00:07Z)
• 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)
• 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)
• Cerberus: A Deep Learning Hybrid Model for Lithium-Ion Battery Aging Estimation and Prediction Based on Relaxation Voltage Curves [7.07637687957493]
  本稿では,ディープラーニングに基づくキャパシティ老化推定と予測のためのハイブリッドモデルを提案する。 提案手法は, チャージサイクルと放電サイクルを含む新しいデータセットに対して, 様々な速度で検証する。
  論文  参考訳（メタデータ） (2023-08-15T15:07:32Z)
• 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)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• 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)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• 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)
• 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。