論文の概要: PiDDM: Physics-Informed Differentiable Degradation Modeling for Lithium-Ion Battery State-of-Health Prediction
- arxiv url: http://arxiv.org/abs/2607.29095v1
- Date: Fri, 31 Jul 2026 07:19:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-03 14:29:40.643779
- Title: PiDDM: Physics-Informed Differentiable Degradation Modeling for Lithium-Ion Battery State-of-Health Prediction
- Title（参考訳）: PiDDM:リチウムイオン電池の健康状態予測のための物理式微分分解モデル
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.9577202646353284
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate prediction of lithium-ion battery state of health (SOH) is essential for reliable energy storage operation. However, purely data-driven models may generalize poorly across cycling protocols and produce physically implausible behavior during long-term extrapolation. We developed a physics-informed differentiable degradation modeling framework (PiDDM) for battery SOH prediction. PiDDM incorporates empirical Arrhenius degradation kinetics associated with solid electrolyte interphase growth and loss of lithium inventory into the training objective, encouraging physically consistent capacity fade under diverse operating conditions. The framework was evaluated using a public dataset of 55 batteries cycled under six operating protocols. PiDDM achieved the lowest average prediction error among the evaluated models and substantially reduced mean squared error relative to a multilayer perceptron and a baseline physics-informed neural network. For extrapolation, the models were trained on the first 90% of each battery's cycle life and evaluated on the unseen final 10%. PiDDM captured accelerated end-of-life degradation while avoiding the nonphysical capacity regeneration produced by the baseline models. These results show that incorporating degradation physics into neural network training improves predictive accuracy and physical consistency, providing a promising approach for practical battery health monitoring.
- Abstract（参考訳）: リチウムイオン電池の健康状態(SOH)の正確な予測は、信頼性の高いエネルギー貯蔵操作に不可欠である。
しかし、純粋にデータ駆動モデルでは、サイクリングプロトコル全体にわたってあまり一般化されず、長期的な外挿中に物理的に不確実な振る舞いを生じさせる可能性がある。
本研究では,バッテリSOH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 (PiDDM) を開発した。
PiDDMは、固体電解質間相成長とリチウム在庫の喪失に伴う経験的アレニウス分解動態を訓練目標に組み込み、様々な操作条件下での物理的に一貫した容量低下を促進させる。
このフレームワークは、55個のバッテリーを6つの運用プロトコルでサイクルしたパブリックデータセットを用いて評価された。
PiDDMは評価されたモデルの中で最低平均予測誤差を達成し、多層パーセプトロンとベースライン物理インフォームドニューラルネットワークに対する平均2乗誤差を著しく低減した。
外挿のために、これらのモデルは各バッテリーのサイクルライフサイクルの最初の90%で訓練され、目に見えない最終10%で評価された。
PiDDMは、ベースラインモデルによって生成された非物理容量の再生を避けながら、寿命の短縮を加速した。
これらの結果は、劣化物理をニューラルネットワークトレーニングに取り入れることで、予測精度と物理的一貫性が向上し、実用的なバッテリヘルスモニタリングに有望なアプローチを提供することを示している。
関連論文リスト
- Real-Time State-of-Health Estimation and Online Degradation Prognosis from Partial Battery Discharge Using Physics-Informed Neural Networks [2.3099144596725565]
任意の電圧範囲から抽出した不完全放電曲線を用いたリチウムイオン電池SOH予測のための物理インフォームド深層学習手法を提案する。
提案手法は,データ駆動学習と物理的に動機付けられた劣化ダイナミクスを組み合わせることで,一貫した信頼性の高いSOH推定を実現する。
論文 参考訳（メタデータ） (2026-08-14T10:34:13Z) - Physics-Informed Neural Network with Transfer Learning for State Estimation in Lithium-Ion Batteries using the Single Particle Model with Electrolyte [0.5371337604556311]
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。
論文 参考訳（メタデータ） (2026-06-26T16:11:00Z) - 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) - 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) - Residual Connection-Enhanced ConvLSTM for Lithium Dendrite Growth Prediction [4.8792835969814945]
リチウムデンドライトの成長は、充電可能な電池の性能と安全性に大きな影響を及ぼす。
本研究では,デンドライト成長パターンの予測モデルを提案し,精度と計算効率を向上した。
論文 参考訳（メタデータ） (2025-06-21T16:27:59Z) - 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) - 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) - 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) - Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。
RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。
RFBの電荷分配曲線を予測する多相モデルを構築した。
論文 参考訳（メタデータ） (2021-06-17T00:49:55Z) - 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。