論文の概要: Physics-Informed Neural Network with Transfer Learning for State Estimation in Lithium-Ion Batteries using the Single Particle Model with Electrolyte

• arxiv url: http://arxiv.org/abs/2606.28220v1
• Date: Fri, 26 Jun 2026 16:11:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.535639
• Title: Physics-Informed Neural Network with Transfer Learning for State Estimation in Lithium-Ion Batteries using the Single Particle Model with Electrolyte
• Title（参考訳）: 電解質を用いた単一粒子モデルを用いたリチウムイオン電池の状態推定のための移動学習を用いた物理インフォームニューラルネットワーク
• Abstract要約: 物理インフォームドニューラルネットワーク(PINN)は非線形偏微分方程式を解く強力なツールとして登場した。 PINNは、特に電解質を用いた単一粒子モデル(SPMe)のような低次モデルに対して、スケーラビリティの向上を提供する。
• 参考スコア（独自算出の注目度）: 0.5371337604556311
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics-informed neural networks (PINNs) have emerged as a powerful tool for solving nonlinear partial differential equations (PDEs), including battery electrochemical models. They typically en-force conservation laws within the loss function to ensure physically consistent solutions. Tradi-tional numerical methods such as finite difference, finite volume, and finite element techniques, re-ly on discretization and can be computationally expensive for nonlinear systems. To address this challenge, PINNs offer improved scalability, particularly for reduced-order models like the single particle model with electrolyte (SPMe). The SPMe describes lithium-ion battery dynamics through coupled diffusion, transport, reaction kinetics, and voltage equations. Despite these advantages, training SPMe-based PINNs from scratch for different battery chemistries or operating conditions is demanding and often leads to slow convergence. To overcome this limitation, this work introduces a transfer learning framework for SPMe-PINNs. The model is first pretrained to learn general elec-trochemical dynamics and then adapted to a target battery by transferring weights, freezing se-lected layers, and fine tuning the remaining parameters, including estimating key electrochemical variables. Validation using PyBaMM demonstrates accurate voltage prediction, indicating that the proposed approach preserves electrochemical consistency while reducing training time and ena-bling efficient generalization across batteries.
• Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)は、電池電気化学モデルを含む非線形偏微分方程式(PDE)を解く強力なツールとして登場した。 彼らは典型的には、物理的に一貫した解を保証するために損失関数内の保存則を強制する。 有限差分、有限体積、有限要素法といったトラディオン法は、離散化に再依存し、非線形システムでは計算コストがかかる。 この課題に対処するため、PINNは、特に電解質を用いた単一粒子モデル(SPMe)のような低次モデルに対して、スケーラビリティの向上を提供する。 SPMeは、混合拡散、輸送、反応速度論、電圧方程式を通じてリチウムイオン電池のダイナミクスを記述する。 これらの利点にもかかわらず、異なる電池化学や運転条件のためにSPMeベースのPINNをゼロから訓練することは要求され、しばしば収束が遅くなる。 この制限を克服するために,SPMe-PINNの転送学習フレームワークを導入する。 このモデルは、まず一般的なエレクトロケミカル力学を学習し、その後、重みを移し、セレクトされた層を凍結させ、重要な電気化学変数を推定するなど、残りのパラメータを微調整することで、ターゲットバッテリーに適応するように事前訓練される。 PyBaMMを用いたバリデーションは正確な電圧予測を示し, 提案手法は電気化学的整合性を保ちながら, トレーニング時間を短縮し, 電池間のエナブリング効率を向上することを示す。

関連論文リスト

• AI-Driven Surrogate Models for Predicting Electrode-Scale Discharge Behavior in Lithium-Ion Batteries [47.27974914502511]
  本研究では,Swin3D Transformerに基づくディープラーニングサロゲートパイプラインを導入し,データから直接放電ダイナミクスを予測する。 提案手法は計算オーバーヘッドを桁違いに削減し,高スループットバッテリー設計と最適化のためのスケーラブルで効率的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-07-22T09:10:48Z)
• PINEAPPLE: Physics-Informed Neuro-Evolution Algorithm for Prognostic Parameter Inference in Lithium-Ion Battery Electrodes [0.8376229126363229]
  PINEAPPLEは、物理インフォームドニューラルネットワーク(PINN)と進化的探索アルゴリズムを統合し、迅速でスケーラブルで解釈可能なパラメータ推論を可能にする新しいフレームワークである。 PINEAPPLEは、オープンソースのCALCEレポジトリから複数のバッテリにまたがる電圧時間放電曲線からのみ、堅牢なパラメータ推論を示す。 PINEAPPLEは計算効率が良く、リアルタイムなパラメータ推定を可能にすることで、非破壊的で物理に基づくセル間およびセル内変数のキャラクタリゼーションへの有望な経路を提供する。
  論文  参考訳（メタデータ） (2026-02-20T07:51:59Z)
• Fractional Differential Equation Physics-Informed Neural Network and Its Application in Battery State Estimation [2.3977651066739374]
  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。
  論文  参考訳（メタデータ） (2025-12-13T11:11:03Z)
• 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)
• 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)
• On-site estimation of battery electrochemical parameters via transfer learning based physics-informed neural network approach [0.0]
  提案手法は,バッテリ管理システムにおけるリアルタイム実装に適した計算コストを大幅に削減する。 動作データと関連する電気化学的パラメータを効果的に推定することができた。 この手法は、標準電荷プロファイルのデータを用いて、Raspberry Piデバイスで実験的に検証される。
  論文  参考訳（メタデータ） (2025-03-28T13:06:41Z)
• 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 Quantum Neural Network Regression for Modeling Lithium-ion Battery Capacity Degradation [0.0]
  本稿では,LiB劣化モデルを捉えるために,古典的量子ハイブリッド機械学習手法を提案する。 私たちの研究は、最近の量子コンピュータの進歩と、ニューラルネットワークと量子回路の類似性によって動機付けられています。
  論文  参考訳（メタデータ） (2023-02-06T03:28:25Z)
• 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)
• Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
  VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。 どちらの手法もエネルギーと基底状態の優れた推定値を提供する。 勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
  論文  参考訳（メタデータ） (2020-11-02T19:52:04Z)

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。