論文の概要: Physics-Enhanced Deep Learning for Proactive Thermal Runaway Forecasting in Li-Ion Batteries

• arxiv url: http://arxiv.org/abs/2604.20175v1
• Date: Wed, 22 Apr 2026 04:34:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.966375
• Title: Physics-Enhanced Deep Learning for Proactive Thermal Runaway Forecasting in Li-Ion Batteries
• Title（参考訳）: Liイオン電池におけるアクティブサーマルランウェイ予測のための物理応用深層学習
• Authors: Salman Khan, Muhammad Zunair Zamir, Syed Sajid Ullah, Jie Li,
• Abstract要約: 本研究では,熱伝達方程式を直接ディープラーニングアーキテクチャに組み込む物理インフォームドロング短期記憶(PI-LSTM)フレームワークを提案する。 提案したPI-LSTMは, 平均二乗誤差(RMSE)が81.9%, 平均絶対誤差(MAE)が81.3%削減された。 その結果,物理インフォームド・ディープ・ラーニングは次世代の電池システムにおいて,解釈可能,正確,リアルタイムな熱管理を実現するための有効な経路であることが確認された。
• 参考スコア（独自算出の注目度）: 14.616396048555615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of thermal runaway in lithium-ion batteries is essential for ensuring the safety, efficiency, and reliability of modern energy storage systems. Conventional data-driven approaches, such as Long Short-Term Memory (LSTM) networks, can capture complex temporal dependencies but often violate thermodynamic principles, resulting in physically inconsistent predictions. Conversely, physics-based thermal models provide interpretability but are computationally expensive and difficult to parameterize for real-time applications. To bridge this gap, this study proposes a Physics-Informed Long Short-Term Memory (PI-LSTM) framework that integrates governing heat transfer equations directly into the deep learning architecture through a physics-based regularization term in the loss function. The model leverages multi-feature input sequences, including state of charge, voltage, current, mechanical stress, and surface temperature, to forecast battery temperature evolution while enforcing thermal diffusion constraints. Extensive experiments conducted on thirteen lithium-ion battery datasets demonstrate that the proposed PI-LSTM achieves an 81.9% reduction in root mean square error (RMSE) and an 81.3% reduction in mean absolute error (MAE) compared to the standard LSTM baseline, while also outperforming CNN-LSTM and multilayer perceptron (MLP) models by wide margins. The inclusion of physical constraints enhances the model's generalization across diverse operating conditions and eliminates non-physical temperature oscillations. These results confirm that physics-informed deep learning offers a viable pathway toward interpretable, accurate, and real-time thermal management in next-generation battery systems.
• Abstract（参考訳）: リチウムイオン電池の熱流出の正確な予測は、現代のエネルギー貯蔵システムの安全性、効率、信頼性を保証するために不可欠である。 LSTM(Long Short-Term Memory)ネットワークのような従来のデータ駆動型アプローチは、複雑な時間的依存を捉えることができるが、熱力学の原理に反することが多く、物理的に矛盾する予測をもたらす。 逆に、物理に基づく熱モデルは解釈可能性を提供するが、計算コストが高く、リアルタイムアプリケーションではパラメータ化が難しい。 このギャップを埋めるために、損失関数の物理に基づく正規化項を通じて、熱伝達方程式を直接ディープラーニングアーキテクチャに統合する物理インフォームドロング短期記憶(PI-LSTM)フレームワークを提案する。 このモデルは、電荷、電圧、電流、機械的応力、表面温度などの多機能入力シーケンスを利用して、熱拡散制約を強制しながら電池温度の進化を予測する。 13個のリチウムイオン電池データセットで実施された大規模な実験により、提案されたPI-LSTMは、標準のLSTMベースラインと比較して81.9%のルート平均二乗誤差(RMSE)と81.3%の平均絶対誤差(MAE)を減少させ、CNN-LSTMと多層パーセプトロン(MLP)モデルよりも広いマージンで性能を上げた。 物理的制約が加わったことにより、様々な動作条件におけるモデルの一般化が促進され、非物理的温度振動が排除される。 これらの結果は,物理インフォームド・ディープ・ラーニングが次世代の電池システムにおいて,解釈可能,正確,リアルタイムな熱管理を実現するための有効な経路であることを確認した。

関連論文リスト

• Fast Bayesian equipment condition monitoring via simulation based inference: applications to heat exchanger health [39.61652266573024]
  熱交換器の複雑な故障モードを診断するために,アモータイズされた神経後部推定を利用したAI駆動型フレームワークを提案する。 このフレームワークをMCMCベースラインに対して,様々な合成ファウリングおよびリークシナリオでベンチマークする。 ニューラルネットワークの償却された性質は、ほぼ瞬時に推論を可能にし、高度にスケーラブルでリアルタイムな代替手段としてSBIを確立する。
  論文  参考訳（メタデータ） (2026-04-22T16:21:25Z)
• Physics-Informed Machine Learning for Pouch Cell Temperature Estimation [5.435523531334183]
  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。
  論文  参考訳（メタデータ） (2026-04-16T02:58:10Z)
• Real-time distortion prediction in metallic additive manufacturing via a physics-informed neural operator approach [3.607834195988809]
  本稿では,将来の15秒間におけるzおよびy方向予測のための物理インフォームド・スマートニューラルホライゾン演算子(PINO)を提案する。 PINOモデルの性能は、欠陥の制御におけるリアルタイムの時間歪み場予測の可能性を強調している。
  論文  参考訳（メタデータ） (2025-11-17T09:37:04Z)
• Temperature-Aware Recurrent Neural Operator for Temperature-Dependent Anisotropic Plasticity in HCP Materials [1.2374932078540024]
  本稿では,時間分解能に依存しないニューラルネットワークであるTRNOについて紹介する。 TRNOは高い予測精度を達成し、様々な負荷ケース、温度、時間分解能を効果的に一般化する。 また、従来のGRUモデルやLSTMモデルよりも、トレーニング効率と予測性能が優れている。
  論文  参考訳（メタデータ） (2025-08-26T08:40:42Z)
• 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)
• NeuralOM: Neural Ocean Model for Subseasonal-to-Seasonal Simulation [41.41450298461784]
  複雑でゆっくり変化するダイナミクスをシミュレートするための一般的なニューラル演算子フレームワークであるNeuralOMを提案する。 我々は,S2S海洋シミュレーションの課題に対してNeuralOMを検証した。 NeuralOMは、最高の性能のベースラインに比べて13.3%低いRMSEを達成する。
  論文  参考訳（メタデータ） (2025-05-27T10:54:40Z)
• Spatiotemporal Field Generation Based on Hybrid Mamba-Transformer with Physics-informed Fine-tuning [46.67399627400437]
  この研究は、訓練されたモデルによる物理場の生成における物理方程式の相当な相違に直面する。 HMT-PFという名称の物理場生成モデルは、ハイブリッドのMamba-Transformerアーキテクチャに基づいて開発されている。
  論文  参考訳（メタデータ） (2025-05-16T14:40:56Z)
• Physics-Informed Regularization for Domain-Agnostic Dynamical System Modeling [41.82469276824927]
  本稿では,幅広い力学系に対して高精度なモデリングを実現するフレームワークを提案する。 保守的なシステムのエネルギーを保ちつつ、非保守的で可逆的なシステムの強い誘導バイアスとして機能する。 ニューラル常微分方程式モデルにTRS損失を組み込むことにより、提案モデルであるTREATは様々な物理系において優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-08T21:04:01Z)
• Thermal Neural Networks: Lumped-Parameter Thermal Modeling With State-Space Machine Learning [0.0]
  電力システムの熱モデルには、リアルタイム能力と高い推定精度の両方が必要である。 本研究では,熱伝達に基づくラムド型パラメータモデルとして,熱ニューラルネットワーク(TNN)を導入し,両者を統一した。 TNNは状態空間表現を通じて物理的に解釈可能な状態を持ち、エンドツーエンドのトレーニング可能であり、その設計に材料、幾何学、専門知識を必要としない。
  論文  参考訳（メタデータ） (2021-03-30T13:15:48Z)

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。