使用机器学习进行日历衰老建模:对离子电池化学的实验研究
Burak Celen1, Melik Bugra Ozcelik2, Furkan Metin Turgut2
1Bogazici University, Istanbul, Turkey.
Open research Europe
|August 30, 2023
概括
极端渐变增强 (XGBoost) 和人工神经网络 (ANN) 预测了电池日历的老化. XGBoost为预测电动汽车电池电池的降解提供了卓越的准确性,特别是对于高需求的化学品.
科学领域:
- 材料科学 材料科学 材料科学
- 电化学 电化学 电化学
- 数据科学数据科学数据科学
背景情况:
- 日历老化显著影响电池性能和运行寿命.
- 预测容量退化对于识别和减轻电池老化问题至关重要.
- 了解衰老机制对于提高各种应用中的电池寿命至关重要.
研究的目的:
- 评估机器学习算法的有效性,以预测电池日历老化.
- 为了比较Extreme Gradient Boosting (XGBoost) 和人工神经网络 (ANN) 在不同电池化学的预测性能.
- 确定最适合电动汽车电池日历衰老预测的算法.
主要方法:
- 使用的机器学习算法:极端梯度增强 (XGBoost) 和人工神经网络 (ANN).
- 应用算法来预测六种细胞化学中的日历衰老数据:LCO,LFP,LMO,LTO,NCA和NMC.
- 使用平均绝对百分比误差 (MAPE) 和平均绝对误差 (MAE) 评估模型性能.
主要成果:
- XGBoost的整体MAPE值为0.0126,超过了ANN的整体MAE值为0.0472.
- 对于,,氧化物 (NCA) 和,,氧化物 (NMC) 化学物质,XGBoost的MAPE分别为0.0035和0.0057,其表现非常出色.
- 与XGBoost相比,ANN在100%充电状态和60°C时显示NMC的安装性能不佳.
结论:
- XGBoost是电动汽车电池日历衰老预测的首选算法,由于其较低的错误率和卓越的安装性能.
- 在电动汽车电池中广泛使用的NCA和NMC化学物质显示了XGBoost.com的特别强大的预测结果.
- 这些发现支持采用XGBoost来对电动汽车的电池健康状况进行可靠的监测和管理.
更多相关视频
11:25Identification and Quantification of Decomposition Mechanisms in Lithium-Ion Batteries; Input to Heat Flow Simulation for Modeling Thermal Runaway
Published on: March 7, 2022
4.6K
10:41Three-electrode Coin Cell Preparation and Electrodeposition Analytics for Lithium-ion Batteries
Published on: May 22, 2018
37.0K
