lithium-ion battery
PulseAugur coverage of lithium-ion battery — every cluster mentioning lithium-ion battery across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新系统利用红外热点预测锂离子电池热失控
研究人员开发了一种新颖的两阶段早期预警系统，用于检测锂离子电池的热失控，尤其是在机械应力下。该系统利用红外热点动力学来估计局部热不稳定性，然后将其与其他传感器数据结合，提供长达20帧的预警范围。该方法展示了0.908的高ROC-AUC，优于直接多模态融合，并提供了14.8帧的平均提前量，从而允许电池管理系统更早地进行干预。
-
AI通过SRGAN提高电池材料分析速度
研究人员开发了一个机器学习框架，使用超分辨率生成对抗网络（SRGAN）来显著加快锂离子电池电极材料的表征过程。该SRGAN模型在LiNixMnyCozO2颗粒的EBSD数据上进行训练，能够计算性地增强低分辨率数据集，其性能优于传统的插值方法。该方法允许在可接受的关键微观结构指标准确性的前提下，将采集速度或视场提高25倍，从而使EBSD成为材料研发更有效的工具。
-
新基准LIBAD解决了锂离子电池电极制造中的异常检测问题
研究人员推出LIBAD，这是一个专为锂离子电池电极制造中的异常检测设计的新基准。该基准利用多模态数据，包括可见光成像和X射线成像，以识别连续生产线中的缺陷。该数据集突出了跨模态异常不一致等挑战，即缺陷可能在一种数据类型中显现而在另一种数据类型中不显现。为了解决这些问题，提出了一种名为DA-Core的新方法，该方法改进了正常特征表示的选择，以减少误报并提高检测准确性。
-
物理信息神经网络改进电池健康预测
研究人员开发了PiDDM，一个将物理信息神经网络与退化动力学相结合的新框架，以改进锂离子电池健康状态的预测。通过结合与固体电解质界面生长和锂库存损失相关的经验Arrhenius退化动力学，PiDDM鼓励物理上一致的容量衰减。在公共数据集上的评估表明，与多层感知机和基线物理信息神经网络相比，PiDDM实现了更低的预测误差，特别是在长期外推场景中，它避免了非物理容量再生。
-
新框架助力量子就绪电池数据集的发现
研究人员推出 IonSense-QKG，一个旨在帮助发现和评估锂离子电池数据集以用于量子机器学习工作流的新元数据框架。该框架为数据集分配量子就绪分数，评估其在近期混合量子经典应用中的适用性。目标是在量子计算的背景下，简化状态健康估计和异常检测等任务的适当数据集的选择。
-
日本在SpaceJet项目失败后与波音公司合作，着眼于与中国的技术竞争
在三菱SpaceJet项目遭遇重大失败后，日本正寻求通过与波音公司合作来重新确立其在航空航天工业中的地位。这一战略转变的驱动因素是希望缩小与中国的技术差距，并重拾其作为全球创新领导者的地位，这让人想起其过去在随身听和锂离子电池等产品上的成功。中国近期大举订购波音飞机的消息进一步激发了日本与这家美国航空航天巨头合作的兴趣。
-
新的机器学习模型有望实现更快、更准确的电池状态预测 · 2篇论文
两篇新研究论文探讨了用于预测锂离子电池内部状态和健康状态（SOH）的先进机器学习技术。第一篇论文比较了四种神经网络架构，发现U-Net的多尺度特征层次结构比传统求解器快5.38倍，nRMSE误差为3%。第二篇论文介绍了TC-SOH，一种使用时间对比表示学习从原始数据自主预测SOH的服务架构，其MAPE降低了1.91倍，RMSE降低了2.13倍，优于基线模型。
-
Donut Lab 的“固态”电池被指为常规锂离子电池
一位电池研究员在 20 多位专家的支持下声称，Donut Lab 最近推广的“固态”电池实际上是一种标准的锂离子电池。调查指出，该电池的电压曲线支持了这一说法。
-
西南航空因电池风险禁止人形机器人
西南航空公司因担心锂离子电池安全而禁止在其航班上携带人形机器人。这一决定受到了此类电池过去事故的影响，包括著名的“Stewie”事件。