論文の概要: Bridging battery design and health assessment through virtual sensing and physics-informed learning

• arxiv url: http://arxiv.org/abs/2607.16864v1
• Date: Sat, 18 Jul 2026 15:59:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.275773
• Title: Bridging battery design and health assessment through virtual sensing and physics-informed learning
• Title（参考訳）: 仮想センシングと物理インフォームドラーニングによるブリッジバッテリ設計と健康評価
• Abstract要約: リチウムイオン電池(LiB)のスーパーチャージは、耐久性、安全性、ユーザの信頼性を確保するために、堅牢な健康モニタリングを必要とする。 本稿では,仮想センシングを用いた物理インフォームド・ラーニング・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）: 2.8974566456589095
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Supercharging of lithium-ion batteries (LiBs) requires robust health monitoring to ensure durability, safety, and user confidence, particularly for emerging vehicle-to-grid applications with bidirectional energy flows. Yet battery management remains largely disconnected from the material and structural origins of aging, limiting both interpretable health assessment and informed battery design. Here we propose a physics-informed learning framework with virtual sensing that infers hard-to-measure design parameters, including solid-state diffusion coefficient, electrode thickness, ion concentration, and particle size, directly from standard battery management system (BMS) measurements. Across diverse fast-charging strategies and driving profiles, embedding a digital-twin-derived particle-cracking mechanism as a soft constraint reduces trajectory and lifetime prediction errors by 6-8 times relative to state-of-the-art machine learning baselines using only 2% early-life observations. We further show that accurate degradation extrapolation does not require fully resolved governing equations; validated partial mechanisms, jointly refined with limited data, provide sufficient guidance. Virtual sensing transforms standard charging signals into latent design variables without additional sensors, bridging observable battery behavior and underlying aging processes while reducing capacity loss error by up to 39%, end-of-life (EOL) error by 17%, and prediction variability by up to 54%, enabling real-time exploration of new battery configurations. More broadly, the proposed framework establishes a practical feedback loop between deployment and development, demonstrating how real-world operation can continuously inform upstream design decisions across complex multiphysics systems.
• Abstract（参考訳）: リチウムイオン電池(LiBs)のスーパーチャージは、耐久性、安全性、ユーザ信頼性を確保するために堅牢な健康モニタリングを必要とする。 しかし、バッテリー管理は、老化の材料と構造的起源から大きく切り離されているため、解釈可能な健康評価と電池設計の両方が制限されている。 本稿では, 標準電池管理システム(BMS)測定から直接, 固体拡散係数, 電極厚, イオン濃度, 粒子径などの設計パラメータを推定する物理インフォームド学習フレームワークを提案する。 様々な高速チャージ戦略と駆動プロファイルにまたがって、デジタルツイン由来のパーティクルクラック機構をソフト制約として組み込むことで、最先端の機械学習ベースラインに対する軌道と寿命予測エラーを6～8倍削減する。 さらに, 精度の高い劣化補間を行うには, 完全に解決された支配方程式が不要であることを示す。 仮想センシングは、標準の充電信号を、追加のセンサーを使わずに遅延設計変数に変換し、観測可能なバッテリー動作と基礎となる老化プロセスをブリッジし、キャパシティ損失エラーを最大39%減らし、終末期(EOL)エラーを17%減らし、可変性を最大54%減らし、新しいバッテリ構成のリアルタイム探索を可能にする。 より広範に、提案するフレームワークは、デプロイと開発の間の実践的なフィードバックループを確立し、実世界の運用が複雑な多物理系をまたいだ上流設計決定を継続的に通知する方法を実証する。

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)
• SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
  仮想セル摂動予測のための大規模基盤モデルを提案する。 まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。 第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。 第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-18T05:51:08Z)
• A Lightweight Transfer Learning-Based State-of-Health Monitoring with Application to Lithium-ion Batteries in Autonomous Air Vehicles [53.158733310637295]
  トランスファーラーニングは、データ豊富なソース作業条件から知識を活用するための有望なテクニックである。 従来のTL-based state-of-health(SOH)モニタリングは、ポータブルモバイルデバイスに適用すると実現不可能である。 本稿では,CITLを用いた軽量SOHモニタリング手法を提案する。
  論文  参考訳（メタデータ） (2025-12-09T11:54:09Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• Mechanical in-sensor computing: a programmable meta-sensor for structural damage classification without external electronic power [41.70275766820096]
  構造振動情報を物理的に処理するためのプログラム可能なメタマテリアルベースセンサ(MMセンサ)を提案する。 我々はLRMPのバンドギャップ特性を利用して、損傷前後の構造物の動的挙動を物理的に区別する。 これは、9.54Hzから81.86Hzまでの最初の自然周波数を持つエンジニアリングシステムに有効である。
  論文  参考訳（メタデータ） (2025-05-24T08:08:02Z)
• BACE-RUL: A Bi-directional Adversarial Network with Covariate Encoding for Machine Remaining Useful Life Prediction [35.78166369270404]
  本稿では,RUL予測のための双方向適応・健康管理(PHM)フレームワークを提案する。 提案モデルは一般的なフレームワークであり、最先端の手法より優れている。 ターボファン航空機エンジンのデータセットを含む実世界のいくつかのデータセットの実験は、提案モデルが一般的なフレームワークであり、最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2025-03-14T08:56:40Z)
• State-of-Health Prediction for EV Lithium-Ion Batteries via DLinear and Robust Explainable Feature Selection [14.672460390509334]
  電気自動車(EV)に適した、説明可能な、データ駆動型健康状態予測(SOH)フレームワークを提案する。 我々は、電圧、電流、温度、時間プロファイルから20種類の有意な特徴を抽出し、ピアソン相関法とシェープリー加法説明法(SHAP)を用いて鍵となる特徴を選択する。 SHAPによる選択は複数の細胞に一貫した機能的重要性をもたらし、細胞間変動(CtCV)を効果的に捉える
  論文  参考訳（メタデータ） (2025-01-20T15:28:20Z)
• A Scientific Machine Learning Approach for Predicting and Forecasting Battery Degradation in Electric Vehicles [1.393499936476792]
  我々は,Scientific Machine Learningフレームワークを用いて,電池劣化の予測と長期予測を行う新しい手法を提案する。 我々は、予測と予測の両方が実用的な条件を反映していることを保証するために、地中真実データを組み込んだ。 我々のアプローチは、エネルギーシステムの持続可能性に貢献し、よりクリーンで責任あるエネルギーソリューションへの世界的移行を加速させる。
  論文  参考訳（メタデータ） (2024-10-18T09:57:59Z)
• Prognosis of Multivariate Battery State of Performance and Health via Transformers [0.0]
  バッテリー性能と「使い勝手」を設計・使用の機能として理解することが最重要事項である。 健康記述子の28個のバッテリ状態を予測するために, ディープ・トランスフォーマー・ネットワーク経由で, その方向への第一歩を提示する。
  論文  参考訳（メタデータ） (2023-09-18T15:04:40Z)
• Dynaformer: A Deep Learning Model for Ageing-aware Battery Discharge Prediction [2.670887944566458]
  本稿では,少数の電圧/電流サンプルから同時に老化状態を推定できるトランスフォーマーに基づく新しいディープラーニングアーキテクチャを提案する。 実験の結果, 学習モデルは様々な複雑さの入力電流分布に有効であり, 広範囲の劣化レベルに対して堅牢であることがわかった。
  論文  参考訳（メタデータ） (2022-06-01T15:31:06Z)
• Visual-tactile sensing for Real-time liquid Volume Estimation in Grasping [58.50342759993186]
  変形性容器内の液体をリアルタイムに推定するためのビジュオ触覚モデルを提案する。 我々は、RGBカメラからの生の視覚入力と、特定の触覚センサーからの触覚手がかりの2つの感覚モードを融合する。 ロボットシステムは、推定モデルに基づいて、リアルタイムで適切に制御され、調整される。
  論文  参考訳（メタデータ） (2022-02-23T13:38:31Z)
• Machine learning pipeline for battery state of health estimation [3.0238880199349834]
  我々は,バッテリ容量のフェードを推定するための機械学習パイプラインの設計と評価を行う。 パイプラインは、2つのパラメトリックおよび2つの非パラメトリックアルゴリズムを用いて、関連する信頼区間で電池SOHを推定する。 高速充電プロトコルの下で動作しているセルにデプロイすると、最良のモデルでは、ルート平均2乗誤差が0.45%に達する。
  論文  参考訳（メタデータ） (2021-02-01T13:50:56Z)
• 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。