機械学習と不確かさの定量化でバッテリーのイノベーションを加速する
電気自動車のバッテリー開発には、不確かさのもとでのイノベーションが求められます。エンジニアは、環境条件、製造、使い方のばらつきを考慮しながら、性能、安全性、コスト、ライフサイクルの制約のバランスを取らなければなりません。SmartUQの機械学習と不確かさの定量化のツールを使えば、エンジニアは設計サイクルを速め、データに基づく意思決定を確信を持って行えます。
EVバッテリーにSmartUQを使う理由
- 費用のかかる試験とシミュレーションを減らす：最新の実験計画法で、必要なシミュレーションと実験の回数を最小限に抑えます。
- 高速で高精度なサロゲートモデルを構築する：SmartUQの機械学習モデルは、計算コストの大きいバッテリーのシミュレーション（電気化学、熱、構造など）を、ごくわずかな時間で再現します。
- 不確かさを定量化する：不確かな条件（周囲温度、材料のばらつきなど）が、バッテリーの性能と安全性に与える影響を評価します。
- 不確かさのもとで最適化する：ばらつきがあっても、最適なバッテリー設計、制御戦略、レシピを見つけます。
- デジタルツインをキャリブレーションする：フィールドや試験のデータでモデルをキャリブレーションし、リアルタイムのバッテリー監視と予測を改善します。
適用分野
- 熱マネジメント：周囲条件や冷却液の流量に不確かさがあるなかで、バッテリーの冷却システムをモデル化し、最適化します。
- セルの化学と劣化：サロゲートモデルを使って、放電曲線や、サイクルに伴う容量低下の評価を速めます。
- 信頼性と寿命：使い方と環境の不確かさを伝播させて、バッテリー寿命の分布と故障リスクを予測します。
- バッテリーマネジメントシステム（BMS）の設計：感度解析と不確かさ伝播で、制御戦略を評価します。
事例：バッテリーの熱シミュレーション
ある適用例では、COMSOLのシミュレーションを使い、冷却液の流量、熱伝導率、周囲温度を変えたときのバッテリーセルの最高温度を評価しました。SmartUQは60回のシミュレーション結果から高精度なサロゲートモデルを学習し、さらに30回の結果でそのモデルを検証しました。このモデルで不確かさ伝播と確率的な最適化を効率よく行い、バッテリー熱マネジメントシステム（BTMS）の性能に関わる設計上のトレードオフを評価できました。このモデルは、シミュレーションのパラメータを物理データにキャリブレーションするのにも使われました。
SmartUQのソフトウェアの機能
- 実験計画法：ラテン超方格法、スライス型・入れ子型の計画、アダプティブDOEなど、効率のよいサンプリング手法。
- 機械学習モデリング：高次元、時系列、関数型のバッテリーシミュレーション出力に特化した、ガウス過程（GP）ベースのモデル。
- モデルのキャリブレーション：頻度論的キャリブレーションとベイズキャリブレーションで、シミュレーションの予測を実験やフィールドのデータと整合させます。
- 解析：感度解析、不確かさ伝播、ロバスト最適化や信頼性ベース最適化のためのツール。
- 連携：Python、MATLAB、FMUとのインターフェースと、COMSOLやANSYSなどのシミュレーションプラットフォームへの直接接続。
EVバッテリーのデジタルツインを構築する
SmartUQでは、キャリブレーション済みのサロゲートモデルとセンサーデータを組み合わせて、リアルタイムのデジタルツインを構築できます。予知保全、充放電の制御、バッテリーシステムの長寿命化に役立ちます。
デモのお申し込み
SmartUQでバッテリーの研究開発ワークフローをどう効率化できるか、ぜひお確かめください。無料トライアルENのお申し込みや、お問い合わせをお待ちしています。
