
Physikbasierte neuronale Netzwerke (PINN) können als effiziente Ersatzmodelle für aufwendige Pseudo-2D-Batteriemodelle verwendet werden, um die Parameterschätzung mittels Bayes'scher Kalibrierung zu beschleunigen.


coremsg

effiziente-parameterschätzung-von-li-ionen-batteriemodellen-durch-physikbasierte-neuronale-netzwerke


Effiziente Parameterschätzung von Li-Ionen-Batteriemodellen durch physikbasierte neuronale Netzwerke


title_rewrite


Physik-informierte neuronale Netzwerke (PINNs) können als leistungsfähige Ersatzmodelle für physikbasierte Li-Ionen-Batteriemodelle wie das Einzelpartikelmodell (SPM) verwendet werden, um die internen Batterieparameter schnell und genau zu bestimmen.


physik-informierte-neuronale-netzwerke-als-ersatzmodelle-für-li-ionen-batteriemodelle-zur-parameterbestimmung-teil-i


Physik-informierte neuronale Netzwerke als Ersatzmodelle für Li-Ionen-Batteriemodelle zur Parameterbestimmung. Teil I
