論文の概要: Physics-Informed Machine Learning for Pouch Cell Temperature Estimation

• arxiv url: http://arxiv.org/abs/2604.14566v1
• Date: Thu, 16 Apr 2026 02:58:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.696373
• Title: Physics-Informed Machine Learning for Pouch Cell Temperature Estimation
• Title（参考訳）: ポーチセル温度推定のための物理インフォームド機械学習
• Authors: Zheng Liu,
• Abstract要約: 本稿では,定常状態の温度分布を効率的に推定するための物理インフォームド・機械学習(PIML)フレームワークを提案する。 PIMLアプローチは、制御熱伝達方程式を直接ニューラルネットワークの損失関数に統合し、高忠実度予測を可能にする。 その結果、PIMLモデルはより高速に収束し、データ駆動モデルよりも平均2乗誤差を49.1%削減し、極めて高い精度を達成することが示された。
• 参考スコア（独自算出の注目度）: 5.435523531334183
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate temperature estimation of pouch cells with indirect liquid cooling is essential for optimizing battery thermal management systems for transportation electrification. However, it is challenging due to the computational expense of finite element simulations and the limitations of data-driven models. This paper presents a physics-informed machine learning (PIML) framework for the efficient and reliable estimation of steady-state temperature profiles. The PIML approach integrates the governing heat transfer equations directly into the neural network's loss function, enabling high-fidelity predictions with significantly faster convergence than purely data-driven methods. The framework is evaluated on a dataset of varying cooling channel geometries. Results demonstrate that the PIML model converges more rapidly and achieves markedly higher accuracy, with a 49.1% reduction in mean squared error over the data-driven model. Validation against independent test cases further confirms its superior performance, particularly in regions away from the cooling channels. These findings underscore the potential of PIML for surrogate modeling and design optimization in battery systems.
• Abstract（参考訳）: 送電用電池熱管理システムの最適化には, 間接液体冷却によるポーチセルの正確な温度推定が不可欠である。 しかし、有限要素シミュレーションの計算コストとデータ駆動モデルの限界のため、これは困難である。 本稿では、定常温度プロファイルの効率的かつ信頼性の高い推定のための物理インフォームド・機械学習(PIML)フレームワークを提案する。 PIMLアプローチは、制御熱伝達方程式を直接ニューラルネットワークの損失関数に統合し、純粋にデータ駆動方式よりもはるかに高速な収束を伴う高忠実度予測を可能にする。 このフレームワークは、様々な冷却チャネルジオメトリのデータセットに基づいて評価される。 その結果、PIMLモデルはより高速に収束し、データ駆動モデルよりも平均2乗誤差を49.1%削減し、極めて高い精度を達成することが示された。 独立したテストケースに対する検証は、特に冷却チャネルから離れた地域で、その優れたパフォーマンスをさらに確認する。 これらの知見は, バッテリーシステムにおけるサロゲートモデリングおよび設計最適化におけるPIMLの可能性を明らかにするものである。

関連論文リスト

• Fractional-order Modeling for Nonlinear Soft Actuators via Particle Swarm Optimization [49.34452620841728]
  本稿では, ソフト材料の動的挙動を捉えるために, 分数次微分方程式(FODE)に基づく革新的なモデリング手法を提案する。 提案手法は,ソフトアクチュエータに固有の複雑な変形現象を効果的に表現する。
  論文  参考訳（メタデータ） (2025-12-20T04:46:25Z)
• Data-Driven Temperature Modelling of Machine Tools by Neural Networks: A Benchmark [2.07811670193148]
  我々は,NNが機械工具内の高忠実度温度と熱流束場を予測するために訓練される新しいパラダイムを導入する。 提案したフレームワークは、モジュール式でスワップ可能な下流コンポーネントを使用して、幅広いエラータイプの計算と修正を可能にする。
  論文  参考訳（メタデータ） (2025-09-26T15:43:08Z)
• Physics-Informed Machine Learning Regulated by Finite Element Analysis for Simulation Acceleration of Laser Powder Bed Fusion [0.0]
  本研究では、FEA-Regulated Physics-Informed Neural Network(FEA-PINN)と呼ばれる効率的なモデリングフレームワークを提案する。 PINNモデルは熱容量法を用いて温度依存性の材料特性と相変化挙動を組み込んだ。 FEA-PINNは計算コストを大幅に削減しつつ、FAAと同等の精度を達成している。
  論文  参考訳（メタデータ） (2025-06-25T15:25:01Z)
• Optimizing Temperature for Language Models with Multi-Sample Inference [47.14991144052361]
  本稿では,異なる大言語モデルに対する(近傍)最適温度の自動同定という課題に対処する。 モデルアーキテクチャ、データセット、タスクタイプ、モデルサイズ、予測精度の変動を考慮して、性能最適化における温度の役割を総合的に分析する。 本稿では,温度自動最適化のためのエントロピーに基づく新しい計量法を提案する。
  論文  参考訳（メタデータ） (2025-02-07T19:35:25Z)
• Physics-Informed Machine Learning Towards A Real-Time Spacecraft Thermal Simulator [15.313871831214902]
  ここで提示されるPIMLモデルまたはハイブリッドモデルは、軌道上の熱負荷条件によって与えられるノイズの低減を予測するニューラルネットワークで構成されている。 我々は,ハイブリッドモデルの計算性能と精度を,データ駆動型ニューラルネットモデルと,地球周回小型宇宙船の高忠実度有限差分モデルと比較した。 PIMLベースのアクティブノダライゼーションアプローチは、ニューラルネットワークモデルや粗いメッシュモデルよりもはるかに優れた一般化を提供すると同時に、高忠実度モデルと比較して計算コストを最大1.7倍削減する。
  論文  参考訳（メタデータ） (2024-07-08T16:38:52Z)
• Capturing Local Temperature Evolution during Additive Manufacturing through Fourier Neural Operators [0.0]
  本稿では, 加法製造過程における局所的な温度変化を捉えたデータ駆動モデルを提案する。 直接エネルギー沈着過程における不連続なガレルキン有限要素法に基づく数値シミュレーションで検証した。 その結果、このモデルはR2$で測定された高忠実度を実現し、トレーニングプロセスに含まれていない測地に対する一般化性を維持した。
  論文  参考訳（メタデータ） (2023-07-04T16:17:59Z)
• Accurate melting point prediction through autonomous physics-informed learning [52.217497897835344]
  NPTアンサンブルにおける共存シミュレーションから自律的に学習することで融点を計算するアルゴリズムを提案する。 固液共存進化の物理モデルを統合することで、アルゴリズムの精度が向上し、最適な意思決定が可能になることを実証する。
  論文  参考訳（メタデータ） (2023-06-23T07:53:09Z)
• Hybrid full-field thermal characterization of additive manufacturing processes using physics-informed neural networks with data [5.653328302363391]
  我々は,物理インフォームドニューラルネットワークを用いたAMプロセスのハイブリッドなデータ駆動熱モデリング手法を開発した。 赤外線カメラから測定された部分観測温度データと物理法則を組み合わせることで、全球温度履歴を予測する。 その結果,ハイブリッド熱モデルでは未知のパラメータを効果的に同定し,フルフィールド温度を正確に把握できることがわかった。
  論文  参考訳（メタデータ） (2022-06-15T18:27:10Z)
• 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。