論文の概要: Regime-Aware Physics-Guided Early Warning of Lithium-Ion Battery Thermal Runaway Using Thermo-Mechanical Signals

• arxiv url: http://arxiv.org/abs/2607.18860v1
• Date: Tue, 21 Jul 2026 08:50:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.363313
• Title: Regime-Aware Physics-Guided Early Warning of Lithium-Ion Battery Thermal Runaway Using Thermo-Mechanical Signals
• Title（参考訳）: サーモメカニカル信号を用いたリチウムイオン電池サーモランウェイの物理誘導早期警戒
• Abstract要約: リチウムイオン電池の熱流出は、電気自動車やエネルギー貯蔵システムに重大な安全リスクをもたらす。 本研究では, 温度, 電圧, 力, 変形, 充電状態の測定を統合した, 状態認識, 物理誘導型フレームワークを提案する。 共同学習は、レギュラー識別、サーマルランウェイ検出、タイム・トゥ・ディザスター推定を統一する。
• 参考スコア（独自算出の注目度）: 12.571569429649408
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Thermal runaway in lithium-ion batteries poses a major safety risk to electric vehicles and energy storage systems. Current early-warning methods depend mainly on temperature and may therefore miss mechanical precursors that emerge before rapid heating. We introduce a regime-aware, physics-guided framework that integrates temperature, voltage, force, deformation, and state-of-charge measurements for early warning under controlled mechanical abuse. A lightweight convolutional classifier first infers safe, warning, or danger regimes from mechanical signals. These regime estimates then condition a causal temporal convolutional backbone through feature-wise linear modulation, physics-biased attention, and regime-dependent gating. Joint learning unifies regime identification, thermal-runaway detection, and time-to-disaster estimation. We evaluate the framework using leave-one-experiment-out cross-validation on 30 mechanical-abuse tests across state-of-charge levels of 10%, 50%, and 90% and two loading protocols. The method achieves an F1 score of 0.89, a high-temperature prediction root-mean-square error of 12.3 °C, a mean warning lead time of 15.6 s, a detection success rate of 0.92, and an experiment-level false alarm rate of 2.7%. Its lead time exceeds that of the strongest baseline by 69.6%. Removing force reduces the lead time by 60.3%, highlighting the value of mechanical precursors. These results support regime-aware thermo-mechanical fusion as a promising strategy for earlier and more reliable thermal-runaway warning under controlled abuse conditions.
• Abstract（参考訳）: リチウムイオン電池の熱流出は、電気自動車やエネルギー貯蔵システムに重大な安全リスクをもたらす。 現在の早期警戒法は主に温度に依存するため、急激な加熱前に出現する機械的前駆体を見逃す可能性がある。 本研究では, 温度, 電圧, 力, 変形, 充電状態の測定を, 制御された機械的悪用の下で早期に警告するための物理誘導フレームワークを提案する。 軽量な畳み込み分類器は、まず機械信号から安全、警告、危険条件を推測する。 これらのレジームは、特徴的線形変調、物理バイアスの注意、および状態依存のゲーティングを通じて因果的時間的畳み込みバックボーンを仮定する。 共同学習は、レギュラー識別、サーマルランウェイ検出、タイム・トゥ・ディザスター推定を統一する。 本研究では,30種類の機械的使用試験において,10%,50%,90%,および2つの負荷プロトコルを併用し,残留実験によるクロスバリデーション(クロスバリデーション)による評価を行った。 この方法は、F1スコア0.89、高温予測根平均二乗誤差12.3°C、平均警告リード時間15.6秒、検出成功率0.92、実験レベルの誤警報率2.7%を達成する。 そのリードタイムは最強のベースラインの69.6%を上回っている。 除去力によりリード時間が60.3%減少し、機械的前駆体の値が強調される。 これらの結果は、制御された乱用条件下での早期で信頼性の高いサーマルランウェイ警告に期待できる戦略として、レギュラー対応熱メカニカル融合を支持する。

関連論文リスト

• A Systematic Evaluation of Machine Learning Methods for Fault Detection and Line Identification in Electrical Power Grids [10.279282675943623]
  再生可能エネルギー源の電力網への統合は、故障検出とグリッド復旧機構の調整において複雑な課題をもたらす。 静的ルールと事前定義されたしきい値に基づいて動作する従来のリレー保護システムは、これらの課題に対処するには不十分である。 最近の研究は、機械学習(ML)ベースのアプローチがこれらの問題に効果的に取り組むことを示唆している。
  論文  参考訳（メタデータ） (2026-09-15T07:17:07Z)
• Anomaly-Informed Confidence Calibration for Vision-Based Safety Prediction [1.0981335059631014]
  既存の異常信号における臨界知覚-力学ギャップを同定する。 本研究では,世界モデルから抽出した2つの異常スコアを融合する異常情報オンライン手法を提案する。
  論文  参考訳（メタデータ） (2026-05-20T12:43:09Z)
• On Using Machine Learning to Early Detect Catastrophic Failures in Marine Diesel Engines [0.0]
  海洋エンジンの破滅的な故障は、機能が著しく失われ、システムを破壊したり損傷させたりすることを暗示している。 本研究は破滅的故障を早期に検出するための新しい方法を提案する。 故障したエンジンの実際のデータに基づいて、実際のセンサ読み取りとエンジン変数の期待値との偏差の導出を評価する。
  論文  参考訳（メタデータ） (2026-03-13T07:24:06Z)
• Modular Deep-Learning-Based Early Warning System for Deadly Heatwave Prediction [53.09098740555834]
  DeepThermは、熱関連の死亡履歴を必要としない、致命的な熱波予測のためのモジュール式早期警報システムである。 ディープラーニングの柔軟性を強調して、DeepThermは二重予測パイプラインを採用し、ヒートウェーブがない場合にベースラインの死亡率を下げている。 その結果、様々な地域、期間、人口集団で一貫した、堅牢で正確なパフォーマンスを示しながら、誤報と誤報のトレードオフを可能にした。
  論文  参考訳（メタデータ） (2025-12-09T19:37:49Z)
• Forecasting Particle Accelerator Interruptions Using Logistic LASSO Regression [62.997667081978825]
  インターロックと呼ばれる予期せぬ粒子加速器の割り込みは、必要な安全対策にもかかわらず、突然の運用変更を引き起こす。 このような中断を予測することを目的とした,単純かつ強力なバイナリ分類モデルを提案する。 このモデルは、少なくとも絶対収縮と選択演算子によって罰せられるロジスティック回帰として定式化される。
  論文  参考訳（メタデータ） (2023-03-15T23:11:30Z)
• Wildfire Smoke Detection with Computer Vision [0.0]
  YOLOv7は、オブジェクト検出モデルをトレーニングするための単純で高速で効率的なアルゴリズムを提供する。 その結果,信頼度が0.298のF1曲線において0.74のスコアが得られた。 これらの指標は,煙柱の検出におけるモデルの弾力性と有効性を示す。
  論文  参考訳（メタデータ） (2023-01-12T15:12:56Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Sample-Efficient Safety Assurances using Conformal Prediction [57.92013073974406]
  早期警戒システムは、安全でない状況が差し迫ったときに警告を提供することができる。 安全性を確実に向上させるためには、これらの警告システムは証明可能な偽陰性率を持つべきである。 本稿では,共形予測と呼ばれる統計的推論手法とロボット・環境力学シミュレータを組み合わせたフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-28T23:00:30Z)
• Measurement of the Low-temperature Loss Tangent of High-resistivity Silicon with a High Q-factor Superconducting Resonator [58.720142291102135]
  温度70mKから1Kの範囲で高比抵抗(100)シリコンウェハの直接損失タンジェント測定を行った。 この測定は, 高温超伝導ニオブ共振器を利用した技術を用いて行った。
  論文  参考訳（メタデータ） (2021-08-19T20:13:07Z)
• Early Detection of Thermoacoustic Instabilities in a Cryogenic Rocket Thrust Chamber using Combustion Noise Features and Machine Learning [2.5206785921576293]
  熱音響不安定性の早期検出のためのデータ駆動手法を提案する。 動的圧力センサデータの短周期時系列から特性燃焼特性を計算するために, 再帰解析を用いる。 ほとんどの場合、トレーニングに使用されていないテストデータに対して、この手法は2種類の熱音響不安定性をタイムリーに予測することができる。
  論文  参考訳（メタデータ） (2020-11-25T17:30:00Z)
• Data-Driven Security Assessment of the Electric Power System [6.4391595203421055]
  本研究では,短期計画のためのシステムセキュリティを考慮した新しい分解手法を提案する。 教師付き学習ツールを使用して、第1の揺動過渡安定性状態を評価するための拡張可能で効率的なガイドラインを提供する。 テストセットの安定および不安定なケースを正確に区別し、0.57%の誤差しか持たず、6.8%の誤差と平均絶対誤差を0.0145の精度で予測した。
  論文  参考訳（メタデータ） (2020-08-28T01:37:21Z)
• Controlling Rayleigh-B\'enard convection via Reinforcement Learning [62.997667081978825]
  固定外熱勾配下での対流熱交換を抑制または促進するための効果的な制御戦略の同定は、重要な基本的かつ技術的問題である。 本研究では,最先端の強化学習(RL)アルゴリズムに基づく新しい手法を提案する。 我々のRL制御は導電系を安定させ、対流の開始をレイリー数にすることができることを示す。
  論文  参考訳（メタデータ） (2020-03-31T16:39:25Z)

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。