In dieser Studie wird ein Verfahren zur Erstellung eines PINN-Ersatzmodells für das SPM vorgestellt. Es wird gezeigt, dass ein hierarchisches Multi-Fidelity-Training, bei dem mehrere neuronale Netze mit mehreren physikalischen Verlustfunktionen trainiert werden, die Genauigkeit des Ersatzmodells deutlich verbessert, wenn es nur auf den Residuen der Regierungsgleichungen trainiert wird. Die Implementierung ist in einem begleitenden Repository verfügbar.
Das Einzelpartikelmodell (SPM) ist ein Standardmodell in der Li-Ionen-Batterie-Community, das den Festkörper-Li-Transport-Widerstand und die elektrochemischen Überspannungen an den Elektrolyt/Elektroden-Grenzflächen erfasst. Um die internen Batterieparameter schnell und genau aus Spannungsantworten zu bestimmen, wird ein PINN-Ersatzmodell des SPM entwickelt.
Zunächst wird die Variabilität der PINN-Leistung in Bezug auf die Gewichtsinitialisierung untersucht. Es wird gezeigt, dass die Gewichtung der Residuen in der Verlustfunktion die Genauigkeit des PINN-Ersatzmodells erheblich beeinflusst. Verschiedene Architekturdesigns, einschließlich der Verwendung von Residualblöcken, werden untersucht, um die Genauigkeit zu verbessern. Schließlich wird ein hierarchisches Multi-Fidelity-Training-Verfahren vorgestellt, das die Genauigkeit des PINN-Ersatzmodells deutlich verbessert, wenn nur die Residuen der Regierungsgleichungen verwendet werden.
Naar een andere taal
vanuit de broninhoud
arxiv.org
Belangrijkste Inzichten Gedestilleerd Uit
by Malik Hassan... om arxiv.org 03-27-2024
https://arxiv.org/pdf/2312.17329.pdfDiepere vragen