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

Temel Kavramlar

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.

Özet

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.

İstatistikler

Die Lithium-Konzentration im Anodenteilchen muss während der Entladung abnehmen, während die Lithium-Konzentration im Kathodenteilchen zunehmen muss.
Die Genauigkeit des PINN-Ersatzmodells kann durch die Verwendung von Doppelpräzision im Vergleich zur Einzelpräzision um einen Faktor 2 verbessert werden.

Alıntılar

"Um die optimale Nutzung von Li-Ionen-Batterien zur Maximierung der Lebensdauer zu bestimmen, sind eine schnelle Bewertung und Prognose des Batterie-Gesundheitszustands erforderlich."
"Die primäre Zielsetzung bei der Entwicklung von PINNs für Li-Ionen-Batterien besteht darin, die für die Lösung dieser physikbasierten Modelle erforderliche Rechenzeit drastisch zu reduzieren."

Önemli Bilgiler Şuradan Elde Edildi

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

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

https://arxiv.org/pdf/2312.17329.pdf

Daha Derin Sorular

Wie könnte man das hierarchische Multi-Fidelity-Training-Verfahren auf andere physikbasierte Batteriemodelle wie das Pseudo-2D-Modell erweitern?

Das hierarchische Multi-Fidelity-Training-Verfahren könnte auf andere physikbasierte Batteriemodelle wie das Pseudo-2D-Modell erweitert werden, indem man ähnliche Schritte wie im Single-Particle-Modell durchführt. Zunächst würde man das Pseudo-2D-Modell in verschiedene Fidelitätsstufen unterteilen, wobei jede Stufe eine zunehmend detaillierte Darstellung des Modells darstellt. Man könnte mit einer einfachen Version des Pseudo-2D-Modells beginnen, die weniger komplexe Gleichungen und Annahmen enthält. Diese einfache Version würde als Ausgangspunkt dienen, um die nächste Stufe des Modells zu trainieren, die komplexere Gleichungen und Details enthält. Durch dieses schrittweise Training könnte man die Genauigkeit und Stabilität der PINN-Surrogatmodelle für das Pseudo-2D-Modell verbessern.

Welche anderen Regularisierungstechniken könnten die Genauigkeit und Stabilität von PINN-Ersatzmodellen für Li-Ionen-Batterien weiter verbessern?

Zusätzlich zu den im Text erwähnten Regularisierungstechniken könnten weitere Ansätze die Genauigkeit und Stabilität von PINN-Ersatzmodellen für Li-Ionen-Batterien weiter verbessern. Ein Ansatz könnte die Verwendung von Dropout-Regulierung sein, um Overfitting zu reduzieren und die Robustheit des Modells zu erhöhen. Durch das zufällige Deaktivieren von Neuronen während des Trainings kann verhindert werden, dass das Modell zu stark auf bestimmte Merkmale trainiert wird. Eine weitere Technik könnte die Verwendung von Batch Normalization sein, um die Konvergenz des Trainings zu beschleunigen und die Gradientenexplosion oder das Verschwinden zu vermeiden. Durch die Normalisierung der Eingaben in jedem Schritt des Trainings kann die Stabilität des Modells verbessert werden. Darüber hinaus könnte die Verwendung von L1- oder L2-Regularisierung helfen, um die Gewichte des Modells zu regulieren und Overfitting zu reduzieren. Diese Regularisierungstechniken könnten in Kombination mit den bereits erwähnten Methoden die Leistung der PINN-Surrogatmodelle für Li-Ionen-Batterien weiter optimieren.

Wie könnte man die Erkenntnisse aus dieser Studie nutzen, um die Diagnose des Gesundheitszustands von Batterien in der Praxis zu verbessern?

Die Erkenntnisse aus dieser Studie könnten genutzt werden, um die Diagnose des Gesundheitszustands von Batterien in der Praxis zu verbessern, indem PINN-Surrogatmodelle für Li-Ionen-Batterien implementiert werden. Diese Modelle könnten verwendet werden, um schnell und genau den Zustand von Batterien zu diagnostizieren, basierend auf hochfrequenten Spannungsantworten. Durch die Kombination von physikbasierten Modellen mit maschinellem Lernen könnten Batterieparameter genau und effizient bestimmt werden, was zu einer verbesserten Zustandsüberwachung und -diagnose führt. Darüber hinaus könnten die in dieser Studie entwickelten Regularisierungstechniken und hierarchischen Trainingsansätze dazu beitragen, die Genauigkeit und Stabilität der Diagnosemodelle zu verbessern. Durch die Implementierung dieser fortschrittlichen Techniken in die Batteriediagnosepraxis könnten Ingenieure und Forscher fundiertere Entscheidungen treffen und die Leistung und Lebensdauer von Batteriesystemen optimieren.