Transfer Learning With Deep Neural Network for Capacity Prediction of Li-Ion Batteries Using EIS Measurement
Notice bibliographique
Résumé
In this study, transfer learning (TL) technique is used in conjunction with deep neural network (DNN) to predict the capacity of lithium-ion batteries. First, the base DNN model is trained and validated based on the source dataset containing electrochemical impedance spectroscopy (EIS) measurement at temperatures of 25 °C and 35 °C. Then, the base DNN model is retrained and validated using different proportions, i.e., the first 50% and 20% of the target dataset, which contains EIS measurement at the temperature of 45 °C. This will create a new model called DNN-TL carrying the knowledge from the base model. The DNN-TL model is used to predict the second proportions, i.e., the second 50% and 80% of the target dataset considered as missing data. The maximum mean absolute percentage error (MAPE), when the first 50% and 20% of the target dataset are used for retraining DNN-TL with no fixed-layer, is found to be 0.605% and 0.999%, respectively, which indicates the accuracy of the model to estimate the capacity of batteries. The average <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$R$ </tex-math></inline-formula> -squared of 0.9683 is achieved by DNN-TL with no fixed-layer indicating the goodness of its fit and its capability to follow the actual missing datasets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».