リチウムイオン電池モデルのパラメータ推定のための物理情報ニューラルネットワーク代替モデル

Conceitos Básicos

物理情報ニューラルネットワーク(PINN)を使用して、擬似2次元(P2D)リチウムイオン電池モデルの計算コストを大幅に削減し、パラメータ推定を高速化することができる。

Resumo

本研究では、リチウムイオン電池の擬似2次元(P2D)モデルの物理情報ニューラルネットワーク(PINN)代替モデルを開発した。P2D PINN代替モデルの開発には、以下の取り組みが必要であった:

1. P2Dモデルの物理的制約を PINN に組み込むため、二次的な保存則を正則化項として追加した。これにより、PINN が物理的に不可能な解を出力するのを防いだ。

2. 階層的なトレーニング手法を採用し、低次元のシングルパーティクルモデル(SPM) PINN を初期段階として利用した。これにより、P2D PINN の収束を加速した。

3. 物理損失関数とデータ損失関数を組み合わせることで、データが限定的な場合でも高精度な予測が可能となった。

開発したP2D PINN代替モデルを用いて、アノード交換電流密度とカソードリチウム拡散係数のパラメータ推定を行った。その結果、標準的な数値積分手法と比べて約2250倍の計算速度向上を達成した。データが限定的な場合でも、電圧予測誤差は約10mVに抑えられることが示された。

Estatísticas

標準的な数値積分手法と比べて、PINN代替モデルは約2250倍の計算速度向上を達成した。
データが限定的な場合でも、電圧予測誤差は約10mVに抑えられた。

Citações

"物理情報ニューラルネットワーク(PINN)を使用して、擬似2次元(P2D)リチウムイオン電池モデルの計算コストを大幅に削減し、パラメータ推定を高速化することができる。"
"開発したP2D PINN代替モデルを用いて、アノード交換電流密度とカソードリチウム拡散係数のパラメータ推定を行った結果、標準的な数値積分手法と比べて約2250倍の計算速度向上を達成した。"

Principais Insights Extraídos De

PINN surrogate of Li-ion battery models for parameter inference. Part II

by Malik Hassan... às arxiv.org 03-27-2024

https://arxiv.org/pdf/2312.17336.pdf

Perguntas Mais Profundas

データが限定的な場合でも高精度な予測が可能となった要因は何か?

本研究では、物理損失とデータ損失を組み合わせて使用することで、限られたデータが利用可能な場合でも高い精度の予測が可能となりました。物理損失は、ニューラルネットワークが物理方程式に従うように学習することを保証し、データが利用できない領域での予測が物理的に妥当であることを確認します。一方、データ損失は、利用可能なデータ間の補間が物理方程式に違反しないようにするために重要です。これにより、データが利用可能な場合でも、物理損失を補完として使用することが重要であることが示されます。