Rapid prediction of particle-scale state-of-lithiation in Li-ion battery microstructures using convolutional neural networks
Notice bibliographique
Résumé
A machine learning (ML) model was developed to study the discharge behaviour of a LixNi0.33Mn0.33Co0.33O2 half-cell with particle-scale resolution. The ML model could predict the state-of-lithiation of the particles as a function of time and C-rate. Although direct numerical simulation has been well established in this area as the prevalent method of modeling batteries, computational expense increases going from 1D-homogenized model to particle-resolved 3D models. The present ML model was trained on a total of sixty different electrodes with various lengths for a total of 4 different C-rates: 0.25, 1, 2, and 3C. The ML model used convolutional layers, resulting in an image-to-image regression network. To evaluate model performance, the root mean squared error was compared between the state of lithiation (SoL) predicted by the ML model and ground truth results from pore-scale direct numerical simulation (DNS) on unseen electrode configurations. It was shown that the ML model can predict the SoL at better than 99% accuracy in terms of relative error, but almost an order of magnitude faster than the DNS approach. The present work was limited to 2D cases but demonstrates that ML is a viable path forward for studying real 3D microstructures.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».