論文の概要: BattVAE-GP: Generative Modeling of Long-Horizon Battery Degradation with Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2607.11943v1
• Date: Sat, 11 Jul 2026 09:48:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:29.889529
• Title: BattVAE-GP: Generative Modeling of Long-Horizon Battery Degradation with Uncertainty Quantification
• Title（参考訳）: BattVAE-GP:不確かさの定量化による長方形電池劣化の生成モデリング
• Abstract要約: 長い水平物理学に基づく電池劣化のシミュレーションは機械的な洞察を与えるが、計算コストは高い。 リチウムイオン電池劣化トラジェクトリのサロゲートモデリングを未知の充電速度で行うためのハイブリッド物理確率学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Long-horizon physics-based simulations of battery degradation provide mechanistic insight but remain computationally expensive, limiting their use for dense exploration of operating conditions over extended cycle life. Here, we propose a hybrid physics-probabilistic learning framework for surrogate modeling of lithium-ion battery degradation trajectories at unseen charging rates. Cycle-resolved degradation data generated with a DFN/P2D electrochemical model in PyBaMM are first transformed into capacity-aligned voltage and derivative features and encoded using a Variational Autoencoder (VAE). The resulting two-dimensional latent space organizes degradation trajectories according to both cycle progression and charging protocol. A sparse multitask Gaussian process (GP) is then trained in this latent space using cycle number and C-rate as input variables, providing continuous interpolation of latent degradation dynamics together with posterior uncertainty estimates. Under protocol-level holdout evaluation, the latent-space GP accurately recovers unseen C-rate trajectories and exhibits uncertainty behavior consistent with the support of the training data. When queried at unseen interior C-rates, the model generates latent trajectories that remain coherently positioned between neighboring simulated protocols. Decoding the GP-predicted latent states through the frozen VAE decoder yields smooth voltage-capacity evolution, while Monte Carlo propagation of the GP latent posterior through an auxiliary latent to State of Health (SOH) predictor provides uncertainty-aware SOH estimates. The proposed BattVAE-GP framework therefore offers a computationally efficient and uncertainty-aware surrogate for long-horizon degradation modeling, providing a structured basis for extending battery health prediction toward richer operating conditions and future simulation-experiment fusion.
• Abstract（参考訳）: 長い水平物理学に基づく電池劣化のシミュレーションは、機械的な洞察を与えるが、計算コストは高いままであり、サイクル寿命を延ばす操作条件の厳密な探索に使用を制限している。 本稿では,リチウムイオン電池劣化トラジェクトリのサロゲートモデリングのためのハイブリッド物理確率学習フレームワークを提案する。 PyBaMMのDFN/P2D電気化学モデルで生成された周期分解データを、まずキャパシティ整列電圧および導電特性に変換し、変分オートエンコーダ(VAE)を用いて符号化する。 結果として生じる2次元潜在空間は、サイクル進行および充電プロトコルの両方に従って劣化軌道を整理する。 スパースマルチタスクガウス過程(GP)は、サイクル数とCレートを入力変数としてこの潜伏空間で訓練され、後続の不確実性推定とともに潜伏劣化ダイナミクスの連続補間を提供する。 プロトコルレベルのホールドアウト評価では、潜在空間GPは、見えないCレート軌道を正確に回復し、トレーニングデータの支持と整合した不確実性を示す。 未知の内部のCレートでクエリされると、モデルは近隣のシミュレートされたプロトコル間のコヒーレントな位置にある潜在軌道を生成する。 凍結VAEデコーダによるGP予測潜時状態の復号化はスムーズな電圧-キャパシティの進化をもたらすが、モンテカルロはステイト・オブ・ヘルス(SOH)予測器によるGP予測後部の伝播は不確実性を考慮したSOOH推定を提供する。 提案したBattVAE-GPフレームワークは,長期劣化モデリングのための計算効率が高く,不確実性を考慮したサロゲートを提供する。

関連論文リスト

• PiDDM: Physics-Informed Differentiable Degradation Modeling for Lithium-Ion Battery State-of-Health Prediction [2.9577202646353284]
  健康予測のための物理インフォームド微分分解モデリングフレームワークを開発した。 フレームワークは、固体電解質間相成長とリチウム在庫の喪失に関連する経験的アレニウス分解速度論を訓練目的に組み込む。
  論文  参考訳（メタデータ） (2026-07-31T07:19:26Z)
• 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)
• Physics-Guided Masked Multi-Task Network for Edge-Friendly Battery Health Diagnostics from Sto-chastically Fragmented Charging Profiles [5.880056260398202]
  従来のマルチタスク学習フレームワークでは,SOH推定の有界低分散雑音と長期RUL予測の不確かさの非有界非線形拡大とのバランスが取れない。 本稿では,これらの最適化競合を解消する一元的協調推定フレームワークであるRotary SOH-Injected Prior Battery Transformer (RoSIP-Batt)を提案する。 NASA、MIT-スタンフォード、HUSTのデータセットでの評価によると、RoSIP-Battは最先端のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-07-19T08:20:12Z)
• Towards Fast GNN Surrogates for CO2 Migration in Complex Geological Formations [58.079925240809644]
  本研究では, 地質ストレージにおけるCO$$$ibility plume マイグレーション予測に適したエンドツーエンドグラフニューラルネットワークサロゲートを提案する。 この方法は、CO$$ストレージシナリオを評価するために設計されたよく知られた業界テストケースであるSPE11Aベンチマークで評価される。 提案モデルでは, ガス飽和度と液相密度の競合予測を行い, 累積誤差は拡大予測地平線上では緩やかに保たれている。
  論文  参考訳（メタデータ） (2026-06-15T18:19:17Z)
• World Model for Battery Degradation Prediction Under Non-Stationary Aging [1.2891210250935148]
  本稿では,世界モデル問題としてバッテリ劣化予後を定式化する。 各サイクルから生の電圧、電流、温度の時系列を遅延状態に符号化する。 学習したダイナミクスの遷移を通じて前進し、将来の80サイクルにわたる軌道を生成する。
  論文  参考訳（メタデータ） (2026-03-11T08:30:15Z)
• 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)
• Degradation-Aware Frequency Regulation of a Heterogeneous Battery Fleet via Reinforcement Learning [6.833717568444402]
  繰り返し充電と放電はサイクル劣化を誘発し、バッテリー寿命を減少させる。 本稿では,バタリーランプレートとキャパシティ制約による信号の集合的追跡を行う異種電池群のリアルタイムスケジューリングについて検討する。
  論文  参考訳（メタデータ） (2026-01-30T11:44:53Z)
• Data-driven prognostics based on time-frequency analysis and symbolic recurrent neural network for fuel cells under dynamic load [10.36283155920333]
  本研究では、Hilbert-Huang変換を用いて、動的操作条件下での健康指標を抽出するデータ駆動型PEMFC予測手法を提案する。 提案したデータ駆動型確率論的アプローチは、計算コストの低い競合的確率論的地平を提供する。
  論文  参考訳（メタデータ） (2023-02-03T12:52:49Z)
• A Transferable Multi-stage Model with Cycling Discrepancy Learning for Lithium-ion Battery State of Health Estimation [18.980782609740082]
  電池の完全ライフサイクルの多重劣化パターンは、伝達学習(TL)の追求を困難にしている 移動可能な多段SOH推定モデルを提案し,4段階からなる電池間TLを実現する。 提案手法は,3つのバッテリを用いたラン・ツー・フェイル・ベンチマークにおいて,様々な転送タスクにおける競合アルゴリズムよりも優れる。
  論文  参考訳（メタデータ） (2022-09-01T02:59:46Z)
• 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)
• Robust and Adaptive Temporal-Difference Learning Using An Ensemble of Gaussian Processes [70.80716221080118]
  本稿では、時間差学習(TD)による政策評価の世代的視点について考察する。 OS-GPTDアプローチは、状態-逆ペアのシーケンスを観測することにより、与えられたポリシーの値関数を推定するために開発された。 1つの固定カーネルに関連する限られた表現性を緩和するために、GP前の重み付けアンサンブル(E)を用いて代替のスキームを生成する。
  論文  参考訳（メタデータ） (2021-12-01T23:15:09Z)
• Modular Deep Reinforcement Learning for Continuous Motion Planning with Temporal Logic [59.94347858883343]
  本稿では,マルコフ決定過程(MDP)をモデルとした自律動的システムの運動計画について検討する。 LDGBA と MDP の間に組込み製品 MDP (EP-MDP) を設計することである。 モデルフリー強化学習(RL)のためのLDGBAベースの報酬形成と割引スキームは、EP-MDP状態にのみ依存する。
  論文  参考訳（メタデータ） (2021-02-24T01:11:25Z)
• Gaussian Process-based Min-norm Stabilizing Controller for Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
  本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。 この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
  論文  参考訳（メタデータ） (2020-11-14T01:27:32Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。