資料ダウンロード
AI/機械学習を活用した誤差補正モデルのご紹介
～バッテリーモデルの誤差補正～
この資料で分かること
- CAEモデル開発における課題と、AI・機械学習を活用するメリット
- マルチフィデリティモデリングによる計算精度の向上と計算時間の短縮
- AI・機械学習を活用したバッテリーの等価回路モデルの誤差補正手法と検証結果
- MATLAB、Ansys Twin AI、Pythonを活用したモデル構築技術とその特徴
このようなニーズはありませんか？
- CAEモデルの計算時間を短縮し、設計検討やパラメータスタディを効率化したい
- CAEモデルと実機試験結果の誤差を低減し、予測精度を向上させたい
- 従来のCAEモデルでは再現が難しい複雑な現象を、AI・機械学習で高精度に予測したい
- 高速かつ高精度なモデルを構築し、制御システムやデジタルツインへの活用を進めたい
こんな方にオススメします
- CAEモデルの計算精度向上や計算時間の短縮に取り組んでいる方
- AI・機械学習を活用したCAEモデルの開発・高度化を検討している方
- バッテリーモデルの開発や、電圧予測精度の向上に取り組んでいる方
- MBD・MBSEやデジタルツインの活用を推進している設計・開発担当者の方
ソリューション概要
AI・機械学習によるCAEモデルの高精度化
従来のCAEモデルでは、計算精度と計算速度の両立や、複雑な現象の再現が課題となっています。本資料では、精度や計算コストが異なるモデル・データをAI・機械学習で組み合わせる「マルチフィデリティモデリング」を紹介。モデルの誤差補正による高精度化や計算時間の短縮など、その活用メリットを解説します。
バッテリーモデルの誤差補正による電圧予測精度の向上
バッテリーの等価回路モデルでは、低温・低SOC領域における急峻な電圧変化の再現が課題となります。本資料では、MATLABのガウス過程回帰を活用して電圧予測誤差を補正した事例を紹介。42パターンの検証データにおいて、RMSEを約0.31から約0.04へ低減した結果や、低SOC領域での予測精度の改善を解説します。
