PINN surrogate of Li-ion battery models for parameter inference. Part I: Implementation and multi-fidelity hierarchies for the single-particle model

要約

リチウムイオン電池の経年変化を考慮したエネルギー貯蔵需要を計画および最適化するには、電池の内部状態を正確かつ迅速に診断する技術を開発する必要があります。
この研究は、単粒子モデル (SPM) や擬似 2D (P2D) モデルなどの物理ベースのリチウムイオン電池モデルを、
物理情報に基づくニューラル ネットワーク (PINN) サロゲート。
サロゲート モデルにより、ベイジアン キャリブレーションなどの高スループット技術を利用して、電圧応答からバッテリーの内部パラメータを決定することが容易になります。
この原稿は、パラメータ推論 (つまり、健康状態診断) のためのリチウムイオン電池モデルの PINN サロゲートを紹介する 2 部構成のシリーズの第 1 部です。
この最初の部分では、SPM の PINN サロゲートを構築する方法が示されます。
複数のニューラル ネットが複数の物理損失忠実度でトレーニングされるマルチ忠実度階層トレーニングでは、支配方程式残差のみをトレーニングする場合に代理精度が大幅に向上することが示されています。
この実装は、コンパニオン リポジトリ (https://github.com/NREL/pinntripes) で利用可能です。
SPM の PINN サロゲートの開発に使用される手法は、パート II で P2D バッテリー モデルの PINN サロゲートについて拡張され、両方のサロゲートのベイジアン キャリブレーション機能を調査します。

要約(オリジナル)

To plan and optimize energy storage demands that account for Li-ion battery aging dynamics, techniques need to be developed to diagnose battery internal states accurately and rapidly. This study seeks to reduce the computational resources needed to determine a battery’s internal states by replacing physics-based Li-ion battery models — such as the single-particle model (SPM) and the pseudo-2D (P2D) model — with a physics-informed neural network (PINN) surrogate. The surrogate model makes high-throughput techniques, such as Bayesian calibration, tractable to determine battery internal parameters from voltage responses. This manuscript is the first of a two-part series that introduces PINN surrogates of Li-ion battery models for parameter inference (i.e., state-of-health diagnostics). In this first part, a method is presented for constructing a PINN surrogate of the SPM. A multi-fidelity hierarchical training, where several neural nets are trained with multiple physics-loss fidelities is shown to significantly improve the surrogate accuracy when only training on the governing equation residuals. The implementation is made available in a companion repository (https://github.com/NREL/pinnstripes). The techniques used to develop a PINN surrogate of the SPM are extended in Part II for the PINN surrogate for the P2D battery model, and explore the Bayesian calibration capabilities of both surrogates.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google